Исследователи изучили эффективность открытых LLM в преобразовании неструктурированных описаний уязвимостей из базы CVE в стандартизированные форматы для систем безопасности беспилотных автомобилей. Автоматизация этого процесса позволяет быстрее выявлять критические угрозы в программно-аппаратных комплексах транспортных средств, минимизируя риски для пользователей и обеспечивая оперативное реагирование на потенциальные кибератаки в сложных экосистемах подключенных машин.
Современные беспилотные системы включают множество взаимосвязанных компонентов: от сенсоров и телематических модулей до информационно-развлекательных систем. Традиционный подход к анализу уязвимостей, основанный на ручном разборе текстовых отчетов, становится неэффективным из-за роста сложности архитектур. Использование языковых моделей для извлечения структурированных данных позволяет интегрировать информацию об угрозах непосредственно в системы мониторинга безопасности автомобиля.
В работе оценивалась способность различных моделей с открытыми весами интерпретировать технические спецификации и сопоставлять их с конкретными компонентами транспортных средств. Такой подход сокращает время между обнаружением уязвимости и внедрением защитных патчей, что критически важно для обеспечения безопасности автономного транспорта в режиме реального времени.
Ключевые факты
- Исследование сфокусировано на автоматизации обработки данных из базы Common Vulnerabilities and Exposures (CVE).
- Основными объектами анализа стали компоненты подключенных и автономных транспортных средств (CAVs), включая электронные блоки управления и сенсоры.
- Использование LLM позволяет переводить текстовые описания уязвимостей в машиночитаемый формат для систем кибербезопасности.
- Метод направлен на ускорение процесса оценки рисков и реагирования на угрозы в программном обеспечении автомобилей.