PKI for connected vehicles

Topics: PKI, Cars

A modern gépjárművek vezeték nélküli interfészen keresztül kommunikálnak egymással az IEEE 1609 (WAVE) szabvány protokolljait használva. Ez a szabvány az üzenetek hitelesítésére digitális aláírást használ. Ennek támogatására azonban egy PKI infrastruktúrára van szükség, amit a szabvány már nem specifikál részletesen. A hallgató feladata annak vizsgálata, hogy milyen követelményeket támaszt az IEEE 1609 szabvány a háttér PKI-re vonatkozóan, valamint egy alkalmas prototípus PKI rendszer létrehozása open source szoftverek segítségével. A projekt különösen aktuális, és a hallgatónak lehetősége lesz együttműködni olyan cégekkel, melyek vagy gépjármű kommunikációs rendszert fejlesztenek (CommSignia) vagy PKI infrastruktúrát működtetnek (Microsec).

Maximum number of students: 1 student

Contact: Levente Buttyán (CrySyS Lab)

Járművek infotainment rendszerének sérülékenység vizsgálata

Topics: Cars, Pentest

A napjainkban eladásra kerülő gépjárművek információs és szórakoztató része egyre bonyolultabb. Az infotainment rendszerek bonyolultsága már elérte egy személyi számítógép szintjét, sőt, sok szempontból már személyi számítógépként viselkednek (hasonló hardvert használnak, operációs rendszert futtatnak stb.). Ez a nagy bonyolultság persze a hibák előfordulásának a valószínűségét is növeli.

A feladat a terjedőben lévő többek által használt (pl Bosch, BMW) GENIVI platform biztonsági tesztelése hagyományos és testreszabott pentest eszközökkel. Siker esetén a kidolgozott módszerek és eszközök akár átvihetők más még nyilvánosan nem elérhető Bosch megoldásokra is.

Maximum number of students: 1 student

Contact: Tamás Holczer (CrySyS Lab)

Jármű műszerfal fejlesztése mobilra

Topics: Forensics, Cars, Mobile

A járművek egyes vezérlő elemei (ECU) egymással egy decentralizált hálózaton keresztül kommunikálnak (CAN). Az autó paraméterei, és a vezető tájékoztatáshoz használt minden információ megszerezhető erről a hálózatról. Egy hálózati megfigyelésre alkalmas eszköz segítségével lehetőség van a műszerek általá mért adatokat más formában is megjeleníteni, sőt kiegészíteni olyan plusz információkkal, amelyek a hagyományos műszerfalakon nem szerepelnek.

A hallgató feladatai:
- a járművekben használt kommunikációs technológia megismerése
- a CAN hálózat lehallgatásához használható eszköz megismerése és fejlesztése
- a kinyert információ megjelenítése egy mobil alkalmazásban (iOS és/vagy Android)

Maximum number of students: 2 students

Contact: András Gazdag (CrySyS Lab)

Járművek mozgásának nyomkövetése

Topics: Forensics, Cars, Mobile

A járművek minden vezérlő egysége belső hálózaton (CAN) keresztül kommunikál. Ezen a hálózaton található meg a legtöbb vezérlőjel, és a szenzorok általál mért paraméterek értéke is. Ha egy lehallgató képes folyamatosan megfigyelni az autó mozgásához kapcsolodó paramétereket, akkor képes lehet az autó nyomkövetésére is.

A hallgató feladatai:
- a járművekben használt kommunikációs technológia megismerése
- a CAN hálózat lehallgatásához használható eszköz megismerése és fejlesztése
- a kinyert adatok értelmezése a szükséges szintig
- az adatok alapján a jármű mozgásának a rekonstrukciója

Maximum number of students: 1-2 students

Contact: András Gazdag (CrySyS Lab)

CAN mintafelismeres Long-Short Term Memory Neural Networks-szel

Topics: Privacy, Machine Learning, Cars

A neurális hálózatok (artifical neural networks) mára már az egyik legszélesebb körben alkalmazott gépi tanulási módszernek számít. A már-már klasszikusnak számító arcfelismerés, képfelismerés, orvosi diagnózisok (és még sok egyéb) mellett nap mint nap új alkalmazási területeit ismerhetjük meg. Rengeteg fajtája ismert, ezek közül egyik az LSTM hálózatok (long-short term memory), melyek képesek meghatározott időintervallumon adatokat megjegyezni. Arra lettek tervezve, hogy egy adatsor bizonyos mintáit fel tudják ismerni (pl: kézírás, beszéd). Tegyük fel, hogy képek sorozatából szeretnénk meghatározni, hogy hol készült/ játszódik (rövid video). Egy emlékezet nélküli algoritmus, ha az egyik képen felismer egy amerikai zászlót, akkor megmondja, hogy Amerikában vagyunk, ha a következőn éppen sushit esznek, akkor arra következtet, hogy Japánban és így tovább. Az LSTM hálózatok az ilyen jellegű kaotikus viselkedést hivatottak elkerülni. A feladatban ezeket a neurális hálókat kell alkalmazni autók CAN adatain (ld: en.wikipedia.org/wiki/CAN_bus). A feladat célja, hogy ezekből az adatokbol (mint idősor) meghatározzuk, hogy ki vezette az autót a lehetséges vezetők közül. Teszt és tanítási halmaz a hallgató rendelkezésére áll.

A hallgató feladatai:
- az LSTM hálózatok megismerése és megértése
- az algoritmus alkalmazása autók CAN bus idősorain
- az algoritmus implementálása

Maximum number of students: 1 student

Contact: Szilvia Lestyán (CrySyS Lab)