Securing Smart Vehicles: A Bilateral TARA Approach for ISO 21434 and ASPICE for CS Compliance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle