揭示自动驾驶系统安全弱点的深入实证研究
高能物理 - 唯象学
2025-02-28 v1
摘要
自动驾驶系统(Autonomous Driving Systems, ADS)的出现标志着向智能交通的重大转变，对公共安全和交通效率具有深远影响。尽管这些系统整合了多种技术并提供了诸多好处，但其安全性至关重要，因为漏洞可能对安全和信任产生严重后果。本研究旨在系统性地调查流行开源 ADS 项目代码库中的潜在安全弱点，使用静态代码分析工具 CodeQL。目标是识别常见漏洞、其分布情况及跨版本的持久性，以提高 ADS 的安全性。我们选取了 Autoware、AirSim 和 Apollo 三个具有高 GitHub 星标数且具备 4 级自动驾驶能力的代表性开源 ADS 项目。使用 CodeQL 分析这些项目的多个版本以识别漏洞，关注 CWE 类别，如 CWE-190(整数溢出或包装)和 CWE-20(不当输入验证)。我们还跟踪这些漏洞在软件版本生命周期中的存在情况。这一方法允许我们系统性地分析尚未在以前的 ADS 研究中广泛探索的项目漏洞。我们的分析显示，特定 CWE 类别，特别是 CWE-190(59.6%)和 CWE-20(16.1%)在所选 ADS 项目中占主导地位。这些漏洞通常持续超过 6 个月，跨越多个版本迭代。实证评估显示，这些漏洞的严重程度与其对 ADS 性能的实际影响呈直接相关。这些安全问题至今仍需解决。我们的发现突显了将静态代码分析集成到 ADS 开发中以检测和缓解常见漏洞的必要性。
引用
@article{arxiv.2502.19686,
title = {Extension of SUSY SU(5) GUTs with Nelson-Barr models},
author = {Junji Hisano and Moe Kuroda},
journal= {arXiv preprint arXiv:2502.19686},
year = {2025}
}
备注
10 pages