Рави Б.Б.Й., Кабир М.Р., Рэй С. HEMA: платформа для практического изучения атак на MEMS-датчики. Безопасность современных автомобилей требует глубокого понимания систем управления, особенно с учетом их уязвимостей к кибератакам. Традиционные методы обучения, такие как теоретическое изучение материалов или наблюдение за демонстрациями, часто не предоставляют практического опыта, необходимого для развития экспертизы. Получение доступа к автомобильным системам промышленного уровня и освоение соответствующего оборудования представляет серьезную проблему для начинающих специалистов. В данной статье представлена доступная и гибкая исследовательская платформа HEMA, предназначенная для получения практического опыта в изучении атак на MEMS-датчики — критически важного компонента современных систем ADAS. Кроме того, обсуждаются особенности проектирования такой платформы и ее роль в углублении понимания безопасности автомобилей. Эта платформа служит ценным ресурсом для преподавателей, исследователей и практиков в области автомобильной кибербезопасности.

Ключевые слова: автомобильная безопасность, исследовательские платформы, MEMS-датчики, кибератаки.

Abstract: Ravi B.B.Y., Kabir M.R., Ray S. HEMA: A Hands-on Exploration Platform for MEMS Sensor Attacks. Automotive safety and security are paramount in the rapidly advancing landscape of vehicular technology. Building safe and secure vehicles demands a profound understanding of automotive systems, particularly in safety and security. Traditional learning approaches, such as reading materials or observing demonstrations, often fail to provide the practical, hands-on experience essential for developing this expertise. For novice users, gaining access to automotive-grade systems and mastering their associated hardware and software can be challenging and overwhelming. In this paper, we present a novel, affordable, and flexible exploration platform, HEMA, that enables users to gain practical, hands-on insights into the security compromises of micro-electromechanical systems (MEMS) sensors, a critical component in modern ADAS systems. Furthermore, we discuss the unique challenges and design considerations involved in creating such a platform, emphasizing its role in enhancing the understanding of automotive safety and security. This framework serves as an invaluable resource for educators, researchers, and practitioners striving to build expertise in the field.

Keywords: automotive security, exploration platforms, MEMS.

Введение

Автомобильная промышленность претерпела кардинальные изменения благодаря развитию автономных технологий и систем расширенной помощи водителю (ADAS). Эти инновации обеспечивают повышенную безопасность и комфорт вождения за счет использования сложных сенсорных систем, включая камеры, радары, лидары и инерциальные измерительные модули (IMU). Однако растущая цифровизация транспортных средств создает новые уязвимости для кибератак. Например, скомпрометированный датчик IMU, отвечающий за навигацию и стабильность движения, может привести к аварийным ситуациям. Эта проблема приобретает все большую актуальность в условиях повсеместного внедрения автономных технологий.

Исследования[1]–[4] выявили различные векторы атак, нацеленных на MEMS-датчики IMU, которые играют ключевую роль в работе современных автомобилей. Эти работы продемонстрировали сложные методы нарушения функциональности датчиков, от электромагнитных помех до преднамеренной подделки данных. Однако большинство этих исследований проводились экспертами в области кибербезопасности и требуют глубоких специализированных знаний. Для начинающих специалистов и инженеров, не являющихся экспертами по безопасности, воспроизведение и понимание таких атак представляет серьезную проблему.

Базовый принцип работы MEMS-датчиков основан на измерении изменения емкости микромеханической структуры при изменении движения. Это делает их уязвимыми к внешним воздействиям, включая акустические помехи от динамиков, которые могут вызывать ложные показания. Важные исследования в этой области провели Триппел и др.[1], исследовавшие акустические атаки на MEMS-акселерометры, а также Гао и др.[2], разработавшие атаку KITE для инерциальных датчиков в системах с несколькими степенями свободы.

В области образовательных платформ для изучения автомобильной безопасности существуют решения, такие как AutoHAL для ультразвуковых датчиков[6], HAWA[8], ориентированная на атаки на датчики скорости вращения колес, и платформы для систем V2X[9]. Однако до настоящего времени отсутствовала специализированная платформа для изучения атак именно на MEMS-датчики.

Для заполнения этого пробела мы разработали исследовательскую платформу HEMA (Hands-on Exploration Platform for MEMS Sensor Attacks). Эта платформа предназначена для предоставления практического опыта в изучении уязвимостей MEMS-датчиков специалистам с ограниченными знаниями в области автомобильной кибербезопасности. Основная цель HEMA — создать интерактивную среду для интуитивного изучения уязвимостей, углубляя понимание киберугроз в современных автомобилях. Как часть серии HELP, платформа направлена на развитие исследований, стимулирование инноваций и поддержку образования в области безопасности автомобилей.

1. Архитектура HEMA

MEMS-датчики скорости вращения колес обеспечивают передачу данных в реальном времени в электронный блок управления (ЭБУ) автомобиля, что позволяет точно отслеживать вращение колес. Эти данные используются в антиблокировочной системе (ABS) для предотвращения блокировки колес и в системах стабилизации для обнаружения заноса или нестабильности движения. HEMA позволяет пользователям наблюдать поведение системы при различных параметрах.

Автомобиль-жертва. Служит целью атак, позволяя исследователям анализировать поведение системы в скомпрометированных условиях. Автомобиль оснащен микроконтроллером, управляющим продольным и поперечным движением. MEMS-датчик, расположенный в середине шасси, измеряет движение и поддерживает заданную скорость и курс. Любое нарушение в работе датчика приводит к отклонению от желаемого поведения. Дополнительно установлен датчик скорости вращения колеса, который корректирует ошибку дрейфа от MEMS-датчика и предоставляет достоверную информацию о кинематике движения.

Злоумышленник. Позволяет пользователям генерировать злонамеренные аудиосигналы, нацеленные на бортовые MEMS-датчики. Исследования показали, что MEMS-датчики могут быть скомпрометированы с помощью акустических атак как через внутренних агентов (мультимедийные динамики системы), так и через внешних (динамики, установленные рядом с автомобилем). Пользователи могут выбирать тип злоумышленника (внутренний или внешний) и настраивать параметры атаки для точного контроля над ее характером и интенсивностью.

Контроллер платформы. Центральный координатор между автомобилем-жертвой и злоумышленником. Позволяет пользователям изменять параметры автомобиля (скорость, курс) и злоумышленника (частота звука, частота срабатываний). Контроллер включает графический интерфейс пользователя (рисунок 2), где пользователи вводят параметры и получают обратную связь в виде количественных данных о поведении автомобиля. Система фиксирует вредоносные данные с MEMS-датчика и сравнивает их с достоверными данными с датчика скорости вращения колеса, предоставляя представление о влиянии атаки. Для опытных пользователей предусмотрена возможность модификации программного обеспечения для разработки и исследования более сложных атак.

Платформа HEMA обеспечивает эффективную обратную связь при неудачных попытках, поощряя дальнейшее изучение атаки. Она позволяет экспериментировать с широким диапазоном значений параметров, включая те, которые не приводят к успешному проникновению. Кроме того, платформа обладает высокой настраиваемостью и расширяемостью, что делает ее адаптируемой для различных сценариев кибербезопасности. Эта гибкость создает интерактивную и итеративную среду обучения, позволяя пользователям глубже понимать проблемы безопасности автомобилей.

2. Сценарии практического применения

Платформа HEMA демонстрирует свою полезность в различных сценариях, включая нормальные условия эксплуатации и сценарии атак. Эти сценарии позволяют пользователям понять динамику поведения автомобиля и оценить влияние злонамеренного вмешательства на производительность системы. На рисунке 1 показана физическая реализация платформы.

Нормальные условия: стабильная работа. В нормальном сценарии автомобиль следует заранее определенной траектории и поддерживает заданную пользователем скорость. Пользователь указывает желаемую скорость (например, 50 км/ч) через графический интерфейс. Автомобиль ускоряется до целевой скорости и стабилизируется с использованием обратной связи от бортового IMU. IMU непрерывно измеряет параметры движения автомобиля, включая скорость и курс, и отправляет эту информацию в контур управления. Если внешние помехи отсутствуют, автомобиль сохраняет траекторию движения и скорость без отклонений. Датчик скорости вращения колеса служит механизмом вторичной проверки, гарантируя соответствие данных IMU реальному поведению автомобиля.

Сценарий атаки: нарушение работы. При атаке злоумышленник создает акустические помехи, направленные на бортовой MEMS-датчик. Параметры злоумышленника (частота звука и интенсивность) настраиваются через графический интерфейс. Злоумышленник запускает вредоносный акустический сигнал, имитирующий помехи от внешнего или внутреннего источника. IMU начинает выдавать ложные данные из-за акустической атаки, что приводит к некорректной обратной связи по скорости. Результатом становится нестабильное движение автомобиля: рывки, неравномерное ускорение или отклонение от желаемой траектории. Ошибочные данные IMU приводят к неправильным управленческим решениям, нарушая общую производительность вождения.

Перспективы развития. Платформа HEMA будет дополнена возможностью слияния данных датчиков для обнаружения пробуксовки шин путем сравнения данных от IMU и датчика скорости вращения колеса. В благоприятных условиях точное обнаружение запускает ABS для предотвращения блокировки колес. При атаке акустические помехи на IMU приводят к ложным показаниям, ухудшая работу ABS и увеличивая тормозной путь. Для реалистичного тестирования систем безопасности будущие версии платформы будут включать автомобиль большего масштаба с достаточной инерцией.

3. Образовательная ценность платформы

Платформа HEMA предназначена не только для изучения атак на MEMS-датчики, но и как ценный ресурс для образования и профессиональной подготовки. Ее универсальность и практический подход делают ее идеальным инструментом для интеграции в учебные программы и отраслевые тренинги.

Академическое применение. HEMA может быть интегрирована в курсы по автомобильным системам, встроенным системам и кибербезопасности. Платформа предлагает практическое дополнение к теоретическим материалам, позволяя студентам моделировать реальные сценарии атак и изучать уязвимости MEMS-датчиков. Кроме того, HEMA поддерживает выпускные проекты, предоставляя студентам возможность исследовать стратегии атак, разрабатывать методы защиты или расширять функциональность платформы для других подсистем, таких как радар или лидар.

Отраслевое обучение. HEMA может использоваться для проведения целевых семинаров, направленных на повышение квалификации специалистов, имеющих опыт в проектировании автомобильных систем, но недостаточно знакомых с вопросами кибербезопасности. Имитируя атаки на MEMS-датчики, платформа устраняет разрыв между функциональностью системы и соображениями безопасности. Профессионалы могут использовать HEMA для изучения и смягчения сценариев атак, актуальных для их специализации, такой как ADAS или автономные автомобили, углубляя понимание методов обеспечения безопасности современных транспортных средств.

Коллаборация между учреждениями. Учебные заведения и промышленные лидеры могут сотрудничать для развертывания HEMA в учебных программах, адаптируя ее к решению регионально-специфических проблем или возникающих тенденций в автомобильной безопасности. Платформа может служить основой для сотрудничества между исследователями, студентами и специалистами, создавая пространство для обмена идеями и передовыми практиками в области автомобильной безопасности.

4. Заключение

MEMS-датчики играют ключевую роль в современных автомобильных системах, обеспечивая критически важные данные для безопасности, стабильности и производительности. Они являются основой систем ABS, ESP и ADAS, измеряя параметры движения в реальном времени. Однако их интеграция в постоянно растущие взаимосвязанные автомобильные системы делает их уязвимыми для кибератак.

В данной статье представлена платформа HEMA, разработанная для изучения атак на MEMS-датчики. HEMA служит образовательным и обучающим инструментом, предоставляя практический подход к пониманию автомобильной безопасности. Она особенно ценна в двух аспектах: обучение студентов, которые только начинают изучать автомобильные системы и концепции безопасности, и подготовка отраслевых специалистов, знакомых с функциональностью автомобильных систем, но имеющих ограниченный опыт в кибербезопасности. Платформа обеспечивает интерактивную среду обучения, преодолевая разрыв между теоретическими знаниями и практическим применением.

В будущем мы планируем расширить возможности HEMA для изучения более сложных векторов атак, таких как внедрение сигналов, акустические помехи и электромагнитные атаки. Последующие версии будут включать моделирование динамических последствий этих атак, предоставляя сведения об их влиянии на реальное поведение автомобиля, включая системы стабилизации, торможения и навигации.

Список источников

1. T. Trippel, O. Weisse, W. Xu, P. Honeyman, and K. Fu, "Walnut: Waging doubt on the integrity of mems accelerometers with acoustic injection attacks," in 2017 IEEE European symposium on security and privacy (EuroS&P). IEEE, 2017, pp. 3–18.
2. M. Gao, L. Zhang, L. Shen, X. Zou, J. Han, F. Lin, and K. Ren, "Exploring practical acoustic transduction attacks on inertial sensors in mdof systems," IEEE Transactions on Mobile Computing, vol. 23, no. 5, pp. 3539–3557, 2023.
3. Z. Hong, X. Li, Z. Wen, L. Zhou, H. Chen, and J. Su, "Esp spoofing: Covert acoustic attack on mems gyroscopes in vehicles," IEEE Transactions on Information Forensics and Security, vol. 17, pp. 3734–3747, 2022.
4. J. Zhang, Y. Wang, Y. Tu, S. Rampazzi, Z. Lin, I. Lee, and X. Hei, "Adc-bank: Detecting acoustic out-of-band signal injection on inertial sensors," in International Conference on Security and Privacy in Cyber-Physical Systems and Smart Vehicles. Springer, 2023, pp. 53–72.
5. A. A. Khan, K. Sahebkar, C. Xi, M. M. Tehranipoor, R. F. Need, and N. Asadizanjani, "Security challenges of mems devices in hi packaging," in 2022 IEEE 72nd Electronic Components and Technology Conference (ECTC). IEEE, 2022, pp. 2321–2327.
6. B. B. Y. Ravi, M. R. Kabir, N. Mishra, S. Boddupalli, and S. Ray, "Autohal: An exploration platform for ranging sensor attacks on automotive systems," in 2022 IEEE International Conference on Consumer Electronics(ICCE). IEEE, 2022, pp. 1–2.
7. J. Carter, B. B. Yedla Ravi, M. R. Kabir, and S. Ray, "Poster: Efficient exploration of automotive ranging sensor attacks," in Proceedings of the Twenty-Fourth International Symposium on Theory, Algorithmic Foundations, and Protocol Design for Mobile Networks and Mobile Computing, ser. MobiHoc '23. Association for Computing Machinery, 2023.
8. B. B. Y. Ravi and S. Ray, "Hands-on exploration and learning platform for automotive wheel speed sensor attacks," in 2025 IEEE International Conference on Consumer Electronics(ICCE), 2025, pp. 1–6.
9. D. M. Prakash, B. B. Y. Ravi, S. Boddupalli, and S. Ray, "Vecaep: A hands-on exploration platform for vehicular communication attacks," in 2023 IEEE 97th Vehicular Technology Conference(VTC2023-Spring). IEEE, 2023, pp. 1–5.
10. V. S. Gireesh Chamarthi, X. Chen, B. B. Yedla Ravi, and S. Ray, "Exploration of machine learning attacks in automotive systems using physical and mixed reality platforms," in 2023 IEEE International Conference on Consumer Electronics(ICCE), 2023, pp. 1–4.
11. M. R. Kabir and S. Ray, "Vise: Digital twin exploration for automotive functional safety and cybersecurity," Journal of Hardware and Systems Security, pp. 1–12, 2024.