Securing Smart Vehicles: A Bilateral TARA Approach for ISO 21434 and ASPICE for CS Compliance
Notice bibliographique
Résumé
The increasing connectivity in modern vehicles has opened the door to a surge of cyberattacks, posing significant risks to vehicle safety and potentially leading to substantial financial losses.To address this, our paper introduces an optimized approach to risk assessment and threat analysis (TARA), specifically tailored for secure smart vehicles.We've developed a bilateral model that meticulously adheres to the ISO/SAE 21434 automotive cybersecurity standard and the Automotive SPICE for Cybersecurity (ASPICE for CS) base practices.This unique bilateral model considers both standards simultaneously for each model side, incorporating new requirements to ensure practitioners can achieve full compliance.We've also simplified the categorization of requirements, making them more intuitive and industry-driven.Throughout this paper, we detail the analysis, mapping, and development steps of our proposed model.Our observations and lessons learned from applying this model across various projects have significantly improved its maturity, directly reducing the risks associated with recovery costs and financial losses.To further improve the practical application of this model, we have developed a capable cybersecurity TARA tool based on the model to achieve compliance with both standards.This tool could be used by automotive manufacturers and suppliers during the entire vehicle development lifecycle, from initial design to postproduction updates to help identify potential vulnerabilities in electronic control units (ECUs), communication networks, and software, allowing for proactive risk mitigation.The documented and analyzed results from utilizing our model and tool show a remarkable 40% to 60% decrease in operational costs due to the significant reduction in quality and compliance efforts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».