据外媒报道，美国陆军研究人员研发了一种基于机器学习的新型框架，以改进汽车车载计算机网络的安全性，同时还不影响到其性能。
黑客（图片来源：techxplore.com）
随着将控制权委托给车载计算机的现代汽车在不断普及，美国陆军的该项研究希望能够加大投入，对空中以及陆地平台，特别是重型车辆提供更高水平的网络安全保护措施。
美国陆军作战能力发展司令部（the U.S. Army Combat Capabilities Development Command，DEVCOM）的研究人员与佛吉尼亚理工大学（Virginia Tech）、昆士兰大学（the University of Queensland）以及光州技术学院（Gwangju Institute of Science and Technology）的专家们合作，设计了一种称为DESOLATOR的技术，以优化称为移动目标防御的网络安全策略。
美国陆军数学家Terrence Moore博士表示：“因为很难击中移动的目标，如果所有物体都是静态的，对手就可以从容地观察一切并选择目标。但是，如果快速改变IP地址，分配给IP地址的信息很快就会丢失，对手就得重新寻找。”
DESOLATOR指代的是基于深度强化学习的资源分配以及移动目标防御部署框架（deep reinforcement learning-based resource allocation and moving target defense deployment framework），能够帮助车载网络识别最佳IP变换频率以及带宽分配，长期且有效地进行移动目标防御。
据美国陆军计算机科学家和项目负责人Frederica Free-Nelson博士表示，基于深度强化学习的资源分配能够保持高不确定性，以挫败潜在的攻击者，同时还不会使维护成本变高，而移动目标防御部署能够以高优先级防止关键网络区域减速运行。
该研究团队利用深度强化学习，根据曝光时间、丢包数量等多种奖励功能，逐步塑造算法的行为，以确保DESOLATOR能够兼顾安全性和效率。
Moore表示：“现有的车载网络效率很高，但是在设计时没有真正考虑到安全性。现在，很多研究都只着眼于提高性能或者安全性，同时兼顾性能和安全性的非常少见，特别是车载网络。”
此外，DESOLATOR并不局限于确定最佳的IP变换频率以及带宽分配。由于该方法是一种机器学习框架，其他研究人员都可以修改该技术，以在一定范围内追求不同的目标。
Nelson表示：“能够重新装备技术的能力非常有价值，而且此种价值不仅对于扩展研究而言，还适用于将此种能力与其他网络能力结合，以获得最佳网络安全保护。”