DriveFuzz：通过驾驶质量引导的模糊测试发现自动驾驶缺陷
机器人学
2022-11-04 v1
摘要
自动驾驶已成为现实；价格可负担的半自动驾驶车辆已行驶在道路上，主要汽车厂商正积极开发全自动驾驶系统以在本十年内部署。在将产品交付给最终用户之前，测试和确保自动驾驶系统的安全至关重要，该系统由以复杂方式交织的多层组成。然而，尽管安全关键的缺陷可能存在于任何层甚至跨层，但相对较少的关注被给予跨所有层测试整个驾驶系统。先前的工作主要关注各层的白盒测试以及防止对每层的攻击。在本文中，我们旨在对具有完整集成整堆层的自动驾驶系统进行整体测试。我们不深入各单独层，而是关注系统在驾驶环境中持续变化的车辆状态。这使我们能够设计 DriveFuzz，一个可揭示潜在漏洞而不论其位置的新系统模糊测试框架。DriveFuzz 利用高保真驾驶模拟器基于多样因素自动生成和变异驾驶场景。我们基于真实世界交通规则构建新颖的驾驶测试预言机以检测安全关键的异常行为，并通过参考车辆物理状态的驾驶质量度量引导模糊测试器朝向此类异常行为。DriveFuzz 在两个自动驾驶系统（Autoware 和 CARLA Behavior Agent）的各层中发现 30 个新缺陷，并在 CARLA 模拟器中额外发现 3 个缺陷。我们进一步分析这些缺陷的影响以及对手如何将其作为安全漏洞利用以在现实世界中引发严重事故。
引用
@article{arxiv.2211.01829,
title = {DriveFuzz: Discovering Autonomous Driving Bugs through Driving Quality-Guided Fuzzing},
author = {Seulbae Kim and Major Liu and Junghwan "John" Rhee and Yuseok Jeon and Yonghwi Kwon and Chung Hwan Kim},
journal= {arXiv preprint arXiv:2211.01829},
year = {2022}
}
备注
This is the full version of the paper published at ACM CCS 2022. This version includes the appendices (pages 14 and 15)