王聰：自駕車的資安問題更像攻防演練

香港城市大學計算機科學系教授王聰認為，自駕車技術還需要很長的時間去探索，隨著新的攻擊不斷出現，就會找出新的防守方法，一來一往才能讓自駕車資訊安全網更加穩固，與其說是軍備競賽，不如將這個過程定義為攻防演練。以下為王聰在鴻海研究院 NExT Forum 演講摘要。

機器學習模型的不完美 成為惡意攻擊的目標

事實上，自駕車的藍圖非常廣闊，包括自駕系統、數據、光感應、製造等領域，儘管許多科技大廠投入，但是仍然不時出現事故，這可以將其歸類為「非預期失誤」，可能因為光線、天氣等因素，顯露出機器學習模型在決策中的誤判。此外，也可能因為對於模型的訓練不夠廣泛，會發生因為不足以判斷躺在路上的大卡車其實是個障礙，而車輛衝撞的事故。

既然機器學習模型不完美，攻擊者也可能利用這個特性，放大它的缺陷，使得機器更容易犯錯，這就是「惡意攻擊」。舉一個最常見的例子，路上的「停止號誌」如果被攻擊者放上人眼不可區分的雜訊，雖然肉眼看起來正常，但是自駕車的攝影機識別出來，卻變成「限速45公里」的號誌，若是發生在真實道路情境，後果相當危險。

圖片以外，語音辨識也可以有類似的干擾，人耳聽起來一樣的一段語音，加入惡意擾動的雜訊可能就會透過語音助理打開瀏覽器，並且開啟植入惡意程式的網頁，進而產生攻擊。另一個案例發生在自駕車變換車道，車輛跟著白線行駛，如果在地上出現一個惡意補丁，導致車輛自動移往別的車道，跟其他車輛相撞，產生事故。

機器學習的各個流程 都可能變成攻擊對象？

前面提到的例子，都是有關於機器學習模型所受到的對抗式攻擊，以至於做出錯誤的決策。如果從更全面的角度來看，一個完整的機器學習系統，包含四個流程：感測（Sensor）、資料預處理（Data Preprocessing）、機器學習模型（Machine Learning Model）、決策（Decision Output）。透過感測器去接收物理世界的訊息，拿到這些資料後，透過資料前處理的步驟，準備這些原始資料變成特徵集，最後才能讓機器學習模型做決策。

若是前面兩個步驟就受到攻擊，會發生什麼事情？根據這兩年的研究，在資料前處理的階段，圖片來自於自駕車的鏡頭，前處理的階段就是要將它從比較大的圖片，降低採樣頻率（Downsampling）變成小資料，這個過程是為了準備原始資料，讓模型在決策的時候更方便。這個環節會怎麼出錯？也許在原始資料上加上一些擾動，導致做完預處理之後，導致後面的小資料跟原始資料完全不相關。

感測（Sensor）也很容易被攻擊，這個步驟主要是捕捉物理世界的資料，放進數位世界，例如車輛裡的語音系統，透過人耳聽不到的聲音指令，就可以將帶有攻擊的指令輸入到機器裡，在人沒有察覺的情況下，而且車輛正在自動駕駛的過程中，也會產生安全疑慮。

自駕車仍需學界業界共同合作

自駕車在發展的過程中，所面臨的缺陷仍然非常多，然而好消息是，已經有許多國家開始從法規的層面逐漸落實佈署，這些都可以讓相應技術的開展和創新得到好的規範，在這個框架之下，需要學界和業界共同合作，尤其在資安的議題上，才能確保上路後是安全無虞。

長遠來看，或許有人說自駕車的資安問題像是軍備競賽，但王聰認為，這更像是攻防演練，不斷有新的攻擊，但同時也產生相應的防守策略，兩相抗衡之下，終究會愈趨完備。此外，自駕車的安全不僅需要專業的製造設計工程師，也需要AI開發者來教育這些自駕車，使它們更有智慧。總而言之，推進自駕車還需要結合不同專家的專長，探索出未來可能。

精彩演講內容：