想必大家懂得都懂 
...... 那難道目前業(yè)界就沒有一個(gè)很好的安全防范措施嗎？或許是有的，比如目前 L4 自動(dòng)駕駛里用的最廣泛的用來提高系統(tǒng)魯棒性的多傳感器融合感知（Multi-Sensor Fusion based Perception）技術(shù)，即融合不同的感知源，比如激光雷達(dá)（LiDAR）和攝像頭（camera），從而實(shí)現(xiàn)準(zhǔn)確并且魯棒的感知。然而最近來自加州大學(xué)爾灣分校（UC Irvine）的一個(gè)專攻自動(dòng)駕駛和智能交通的安全研究團(tuán)隊(duì)，在實(shí)驗(yàn)研究了「工業(yè)級(jí)L4自動(dòng)駕駛系統(tǒng)里的感知模塊的安全」之后，發(fā)現(xiàn)，多傳感器融合感知技術(shù)存在一個(gè)安全漏洞，使得攻擊者可以3D打印出一個(gè)惡意的3D障礙物。只需把 3D 障礙物放在道路中間，就能讓自動(dòng)駕駛車輛的 Camera 和LiDAR機(jī)器學(xué)習(xí)檢測模型都識(shí)別不到，從而從根本上繞過多傳感器融合感知模塊讓其識(shí)別不到這個(gè)障礙物并且撞上去，造成嚴(yán)重交通危害。OMG！這實(shí)在是太危險(xiǎn)??了！這項(xiàng)研究工作在今年已經(jīng)正式發(fā)表在 IEEE S&P 2021（計(jì)算機(jī)安全四大頂會(huì)之一）。論文鏈接：https://arxiv.org/abs/2106.09249
研究工作概覽和亮點(diǎn)
現(xiàn)如今 L4 自動(dòng)駕駛系統(tǒng)正在被逐漸商業(yè)化。百度已經(jīng)在北京、長沙和滄州開始大規(guī)模測試無人駕駛出租車，百度獲得加州全無人駕駛測試許可，Waymo 甚至已經(jīng)開始在美國鳳凰城測試不需要安全駕駛員的完全自動(dòng)駕駛出租車。在自動(dòng)駕駛系統(tǒng)里，「感知」實(shí)時(shí)周圍物體，是所有重要駕駛決策的最基本前提。感知模塊負(fù)責(zé)實(shí)時(shí)檢測路上的障礙物，比如：周圍車輛，行人，交通錐 （雪糕筒）等等，從而避免發(fā)生一些交通事故。因?yàn)楦兄K對無人車安全的重要性，商業(yè)高級(jí)別（L4）無人車系統(tǒng)普遍采用多傳感器融合的設(shè)計(jì)，即融合不同的感知源，比如 激光雷達(dá)（LiDAR）和攝像頭（camera），從而實(shí)現(xiàn)準(zhǔn)確并且魯棒的感知。在這樣的設(shè)計(jì)中，根據(jù)「并非所有感知源都同時(shí)被攻擊（或可以被攻擊）」這一假設(shè)，總是存在一種可能的多傳感器融合算法，可以依靠未被攻擊的源來檢測或防止單感知源攻擊。這個(gè)基本的安全設(shè)計(jì)假設(shè)在一般情況下是成立的，因此多傳感器融合通常被認(rèn)為是針對現(xiàn)有無人車感知攻擊（單感知源攻擊）的有效防御策略。然而研究者發(fā)現(xiàn)，在識(shí)別現(xiàn)實(shí)世界中，這種多傳感器融合的障礙物感知存在漏洞。通過這個(gè)漏洞，研究者可以同時(shí)攻擊不同的感知源，或者攻擊單個(gè)感知源（只有LiDAR或者camera的檢測），使得無人車無法成功檢測前面的障礙物并直接撞上去。 在這項(xiàng)工作中，研究者首次對當(dāng)今無人車系統(tǒng)中基于多傳感器融合的感知進(jìn)行了安全分析。研究者直接挑戰(zhàn)了上述基本的安全設(shè)計(jì)假設(shè)，證明了「同時(shí)攻擊自動(dòng)駕駛多傳感器融合感知中所有感知源」的可能性。這使研究者第一次具體了解到使用多傳感器融合作為無人車感知的一般防御策略能提供多少安全保障！具體來說，研究者發(fā)現(xiàn)惡意3D障礙物可以被用作針對基于多傳感器融合的無人車感知的攻擊載體，同時(shí)具有隱蔽和物理上可實(shí)現(xiàn)的特點(diǎn)。研究者的關(guān)鍵發(fā)現(xiàn)是，3D障礙物的不同形狀可以同時(shí)導(dǎo)致 LiDAR 點(diǎn)云中的點(diǎn)位置變化和camera圖像中的像素值變化。因此，攻擊者可以利用形狀操作，同時(shí)向 camera 和 LiDAR 引入輸入擾動(dòng)。這樣的攻擊載體還有另外兩個(gè)優(yōu)點(diǎn)：(1) 它很容易在物理世界中實(shí)現(xiàn)和部署。例如，攻擊者可以利用3D建模構(gòu)建這類障礙物，并進(jìn)行3D打印。目前市面上有很多在線3D打印服務(wù)，攻擊者甚至不需要擁有3D打印設(shè)備。(2) 它可以通過模仿能合法出現(xiàn)在道路上的正常交通障礙物，如交通錐或障礙物（如石頭），并偽裝為比較常見的磨損或破損的外觀，實(shí)現(xiàn)高度隱蔽性（如圖1）。 圖1：生活中比較常見的磨損或形狀破損的交通物體和看起來比較奇怪的石頭為了使其既容易部署又能造成嚴(yán)重的碰撞，攻擊者可以選擇較小的障礙物，如巖石或交通錐，但用花崗巖甚至金屬填充，使其更硬更重。例如，一塊0.5立方米的石頭或一個(gè)1米高的交通錐，里面填充一些鋁，很容易超過100公斤，如果汽車在高速行駛時(shí)撞到，有底盤損壞、撞碎擋風(fēng)玻璃甚至失去控制的風(fēng)險(xiǎn)。另外，攻擊者還可以利用某些道路障礙物的功能（如交通錐作為標(biāo)識(shí)的功能）。例如，攻擊者可以設(shè)計(jì)一種僅針對無人車的攻擊，將釘子或玻璃碎片放在生成的惡意交通錐障礙物后面，這樣，人類駕駛員能夠正常識(shí)別交通錐并繞行，而無人車則會(huì)忽視交通錐然后爆胎。在這里，安全損害并不是需要由碰撞交通錐體本身造成的，因此在這種情況下，惡意的交通錐體可以像普通交通錐體一樣小而輕，以使其更容易3D打印、攜帶和部署。為了評(píng)估這一漏洞的嚴(yán)重性，研究者設(shè)計(jì)了 MSF-ADV 攻擊，它可以在給定的基于多傳感器融合的無人車感知算法中自動(dòng)生成上述的惡意的3D障礙，研究者提出創(chuàng)新性的設(shè)計(jì)提升攻擊的有效性、魯棒性、隱蔽性和現(xiàn)實(shí)生活中的可實(shí)現(xiàn)性（如圖2）。研究者選擇了3種障礙物類型（交通錐、玩具車和長椅）進(jìn)行測試，并在真實(shí)世界的駕駛數(shù)據(jù)上進(jìn)行評(píng)估。研究者的結(jié)果顯示，在不同的障礙物類型和多傳感器融合算法中，研究者的攻擊實(shí)現(xiàn)了 >=91%的成功率。研究者還發(fā)現(xiàn)，研究者的攻擊是：（2）對不同的被攻擊車的位置和角度具有魯棒性，平均成功率>95%；（3）制作出來的惡意的3D障礙物可以有效轉(zhuǎn)移并用于攻擊其他MSF算法，平均轉(zhuǎn)移攻擊成功率約75%。
如下圖所示，給到一個(gè)初始化的良性的3D障礙物（如交通錐），首先要對其做一些魯棒的變換，然后和目標(biāo)道路的照片和點(diǎn)云一起輸入到渲染模塊。在這個(gè)模塊里，可以利用可導(dǎo)的渲染技術(shù)，將3D障礙物渲染到照片和點(diǎn)云里。該模塊的目的是為了實(shí)現(xiàn)模擬現(xiàn)實(shí)環(huán)境中擺放3D障礙物，并獲取傳感器數(shù)據(jù)。然后這些數(shù)據(jù)會(huì)輸入到特征提取模塊來提取相應(yīng)的特征，再把這些特征輸入到相對應(yīng)的神經(jīng)網(wǎng)絡(luò)。根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計(jì)目標(biāo)函數(shù)，即降低3D障礙物在網(wǎng)絡(luò)中的置信度，從而達(dá)到讓物體消失的目的。同時(shí)本文還有一些隱蔽性和物理可實(shí)現(xiàn)性的設(shè)計(jì)，最終我們可以根據(jù)梯度來更新這個(gè)3D障礙物從而生成惡意的3D障礙物。
圖2：基于優(yōu)化的惡意的3D物體生成概述實(shí)驗(yàn)評(píng)估與攻擊演示
為了了解攻擊在物理世界中的可實(shí)現(xiàn)性和嚴(yán)重性，研究者3D打印了生成的惡意障礙物（下圖3所示），并在使用了多傳感器融合感知得真車上進(jìn)行評(píng)估。下圖4 是研究者使用的裝配了LiDAR和 camera 的測試車輛。研究者發(fā)現(xiàn)惡意的障礙物可以在總共108個(gè)傳感器幀中的107幀中（99.1%）成功躲過多傳感器融合的檢測。圖4: 安裝LiDAR和camera的真車設(shè)置和檢測結(jié)果 在一個(gè)微縮模型的實(shí)驗(yàn)環(huán)境中（下圖5所示），研究者發(fā)現(xiàn)研究者的惡意的障礙物在不同的隨機(jī)抽樣位置有85-90%的成功率逃避多傳感器融合感知的檢測，而且這種有效性可以轉(zhuǎn)移。圖5: 微縮模型的實(shí)驗(yàn)環(huán)境和檢測結(jié)果 為了了解端到端的安全影響，研究者使用產(chǎn)品級(jí)的無人車模擬器LGSVL進(jìn)一步評(píng)估MSF-ADV（圖6）。在100次運(yùn)行中，研究者的惡意的交通錐對Apollo的無人車造成100%的車輛碰撞率，相比之下，正常交通錐體的碰撞率為0%。
圖6: Apollo 和 LGSVL 在端到端攻擊評(píng)估的截圖 多傳感器融合不是自動(dòng)駕駛安全的萬全之策
本文研究的一個(gè)比較大的貢獻(xiàn)是讓大家意識(shí)到多傳感器融合感知同樣存在安全問題。很多前人工作事實(shí)上把多傳感器融合當(dāng)做對于單個(gè)傳感器攻擊的有效防御手段，但是之前卻并沒有文章去系統(tǒng)性的探究這一點(diǎn)。研究者的工作填補(bǔ)了這一個(gè)關(guān)鍵的知識(shí)空白，證明其實(shí)并不完全是這么一回事。研究者生成的3D惡意的障礙物可以讓多傳感器融合感知系統(tǒng)失效，從而導(dǎo)致無人車撞到這種物體上并造成交通事故。研究者認(rèn)為比較切實(shí)可行的防御手段是去融合更多的感知源，比如說更多的不同位置的camera和LiDAR，或者考慮加入RADAR。但是這不能從根本上防御MSF-ADV，只能是說讓MSF-ADV生成過程更加困難。研究者已經(jīng)就這個(gè)漏洞聯(lián)系了31家自動(dòng)駕駛公司，同時(shí)建議它們應(yīng)用這些緩解手段。研究者覺得不論是研究者還是自動(dòng)駕駛公司都需要投多更多精力去系統(tǒng)性地探究自動(dòng)駕駛里的的安全問題。AI科技評(píng)論：為了實(shí)現(xiàn)同樣的攻擊目標(biāo)，為什么攻擊者不能直接向無人車扔石頭或者直接在無人車前面放釘子或玻璃碎片？研究者是計(jì)算機(jī)安全研究人員，所以研究者的目標(biāo)是研究特定于計(jì)算機(jī)技術(shù)（在研究者的例子中指的是自動(dòng)駕駛）的安全漏洞。研究者的最終目標(biāo)是在計(jì)算機(jī)技術(shù)層面修復(fù)它們。
扔石頭、放釘子或玻璃碎片并不是針對于無人駕駛這種特定技術(shù)的攻擊，非無人駕駛車輛也會(huì)受到損害，同時(shí)這樣的研究也無助于暴露出無人駕駛技術(shù)中的安全隱患相比之下，研究者的惡意的障礙物可以被人眼正確識(shí)別出來，但無人車系統(tǒng)卻無法正確識(shí)別，這個(gè)才是研究者需要研究的技術(shù)問題。
通過發(fā)現(xiàn)和解決此類問題，無人車技術(shù)可以更好地接近人類駕駛的水平和性能，從而實(shí)現(xiàn)無人車技術(shù)的最終目標(biāo)：代替人類駕駛。
AI科技評(píng)論：一般車上都有的緊急剎車系統(tǒng)可以防御這種攻擊嗎？緊急剎車系統(tǒng)可以減輕它的的風(fēng)險(xiǎn)，但既不能完全防止此類攻擊，也不能消除防御攻擊的需要。首先，無人車系統(tǒng)必須設(shè)計(jì)為能夠自行處理盡可能多的安全隱患，而不是完全依賴緊急剎車系統(tǒng)。緊急剎車系統(tǒng)僅設(shè)計(jì)為緊急情況或者備用安全保護(hù)措施；它永遠(yuǎn)也不應(yīng)該用來代替無人車警覺性。就像司機(jī)駕駛一樣，沒有人完全依賴緊急剎車系統(tǒng)來確保安全；研究者必須始終保持謹(jǐn)慎并盡可能的主動(dòng)做出安全決策，然后僅依靠緊急剎車系統(tǒng)作為在極端情況下盡力而為的后備保護(hù)。因此，研究者必須要想辦法在無人車系統(tǒng)級(jí)別上解決這種漏洞。 其次，現(xiàn)如今的無人剎車系統(tǒng)本身際上遠(yuǎn)非完美，并且可能具有很高的漏報(bào)率。例如，AAA 報(bào)告稱，很多車（例如雪佛蘭邁銳寶、本田雅閣、特斯拉 Model 3 和豐田凱美瑞）的緊急剎車系統(tǒng)故障率為 60%。此外，即使無人車的緊急剎車系統(tǒng)能夠成功緊急停車，但是也無法避免無人車被后面的車追尾。AI科技評(píng)論：研究者有對無人車公司進(jìn)行漏洞報(bào)告嗎？他們是怎么答復(fù)的？截至 2021 年 5 月 18 日，研究者對 31 家開發(fā)或者測試無人車的公司進(jìn)行了漏洞報(bào)告，其中 19 家（約 61%）已經(jīng)回復(fù)了研究者。
根據(jù)答復(fù)，大多數(shù)公司目前都在調(diào)查它們是否會(huì)受到影響以及受到的影響程度。有些公司已經(jīng)與研究者開會(huì)討論他們的調(diào)查。
本次研究作者團(tuán)隊(duì)，來自加州大學(xué)爾灣分校、密西根大學(xué)安娜堡分校，亞利桑那州立大學(xué)，伊利諾伊大學(xué)厄巴納-香檳分校，英偉達(dá) Research，中國百度深度學(xué)習(xí)技術(shù)與應(yīng)用研究和國家工程實(shí)驗(yàn)室，嬴徹科技，一共有9名研究人員。四位同等貢獻(xiàn)第一作者來自加州大學(xué)爾灣分校，密西根大學(xué)安娜堡分校，亞利桑那州立大學(xué)和英偉達(dá)Research，分別是 Ningfei Wang, Yulong Cao, Chaowei Xiao 和 Dawei Yang。三位教授分別是 Qi Alfred Chen, Mingyan Liu, Bo Li。以及兩位來自于百度和嬴徹科技的研究人員，分別是 Jin Fang 和 Ruigang Yang。項(xiàng)目網(wǎng)站：https://sites.google.com/view/cav-sec/msf-adv開源代碼：https://github.com/ASGuard-UCI/MSF-ADV攻擊演示視頻：https://www.youtube.com/playlist?list=PLlViq2qGRmiZDEmwS4cwfMI5dX3c97EfoIEEE S&P文章：https://www.computer.org/csdl/proceedings-article/sp/2021/893400b302/1t0x9btzenuIEEE S&P talk video: https://www.youtube.com/watch?v=KRQvdcjrNMM&feature=youtu.be
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
