OTArmor: Securing Automotive Over-the-Air Updates Against Malware Using Generative Modeling
Notice bibliographique
Résumé
The rapid rise of connected autonomous vehicles (CAVs) demands a new level of cybersecurity vigilance, particularly when it comes to over-the-air (OTA) updates. While OTA updates are essential for keeping vehicles secure and up-to-date, they also expand the attack surface, creating new opportunities for malicious actors to exploit. Infotainment systems, often overlooked in favor of safety-critical electronic control units (ECUs), represent a particularly vulnerable entry point. Traditional signature-based malware detection methods fall short in this domain, especially against zero-day threats, underscoring the urgent need for more adaptive and resilient defenses. To close this gap, we introduce OTArmor, a generative AI (GenAI)–driven defense mechanism for in-vehicle infotainment (IVI) systems. At its core is a variational autoencoder (VAE) that learns the distribution of benign OTA updates and flags deviations as potential malware, providing a decisive advantage over conventional supervised models that depend on labeled attack data and struggle to adapt to novel or evolving threats. Unlike existing solutions focused on ECUs and trained on broad, generalized datasets, OTArmor is specifically tailored to the IVI environment and trained exclusively on real OTA update data. Before installation, OTArmor screens update artifacts by analyzing file size, entropy, byte occurrence, and n-gram features. We benchmarked its performance against Principal Component Analysis (PCA) and Isolation Forest, testing across contamination rates of 10%, 20%, 50%, and 100%. The results demonstrate that our OTArmor approach consistently identifies malicious files with ROC–AUC values of nearly 0.992 and F1-score of up to 0.985, substantially outperforming PCA and Isolation Forest. To our knowledge, this is the first study to leverage real OTA update data to replicate a production-grade IVI environment for malware detection. By combining generative modeling with domain-specific training, OTArmor provides a practical and forward-looking defense against emerging threats in IVI systems.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».