乾明 十三 发自 凹非寺 量子位 报道 | 公众号 QbitAI
汽车越来越智能，越来越方便，但也带来新安全隐患。
车道保持辅助系统，即LKAS，之前以L2自动驾驶核心功能为卖点，开长途、开高速环路，都能让人类司机更轻松，现在成为各大智能车标配。
但就这样一个智能驾驶系统，在攻击下只需要1.3秒——稍一疏忽的时间，就会失控，从而在高速行驶中转向其他车道。
该结论来自安全领域顶级会议NDSS上的新研究，得到了Best Poster Award（top 1/30），研究者里有多位中国小哥。
而且在自动驾驶领域鲜有发声的字节跳动，出现在作者机构和致谢名单中。
咦？难道？还是……？
不妨先一起深入看一看这项新研究，而且我们也找到了论文作者进行了答疑。
车道保持辅助系统秒秒钟失控
论文主要由两位加州大学欧文分校的作者领衔。
在论文中，他们使用不覆盖车道线的“脏路补丁”作为攻击载体，在最先进的开源车道保持辅助系统OpenPilot上测试：攻击126公里时速的车辆，只需要0.9秒就能让它失控；72公里时速行驶下的汽车，只需要1.3秒。
而通常情况下，人类司机发现车辆失控，并采取措施的时间是2.3秒。目前，一共有15个汽车品牌的52个车型支持OpenPilot，包括大众高尔夫、丰田凯美瑞、本田CR-V等。
受到波及的并不仅仅只有使用了OpenPilot的车。研究团队表示，这一攻击适用于任何基于深度神经网络的车道保持系统，比如特斯拉的Autopilot，也可能会受到影响。
除了攻击方法具有广泛性，攻击效果也很明显。
论文中在3个场景中试验了攻击有效性。前两个场景采用的是comma2k19-1和comma2k19-1数据集，是真实世界高速公路场景。
第三个场景来自LGSVL-1数据集，模拟高速公路逼真度可达到工业级别，整体结果如下：
研究团队只针对前两个测试制作了演示视频——由变换后的摄像机图像，经过小车运动模型库输入生成。
换句话说，就是在BEV(俯视图)图像上放置了“脏路补丁”，从BEV生成摄像机输入，然后根据汽车运动模型更新下一帧状态。
首先看一下自动驾驶车辆在高速行驶 (126km/h)的情况。
在没有攻击的时候，车辆行进还非常平稳，能保持在自己原有的车道。但经过添加了脏路补丁后，车辆（我们在车里的视角）就像“喝醉了酒”一样，迅速驶出自己的车道。下面是正常情况和添加攻击后的视角对比情况：
第二个场景，是自动驾驶车辆中速行驶 (105km/h)的情况。进行攻击后，虽然没有高速情况下“醉”得那么夸张，但还是能够看出行驶位置迅速发生了偏移。
对比情况如下：
在第三个模拟场景中，自动驾驶车辆行驶速度为72km/h，在相对较为低速的情况下，造成攻击所用的时间为1.3s。
通常，LKAS被认为是专治走神打盹的辅助驾驶功能，但遇到这个“脏路补丁”，秒秒钟失控、出事儿，反应都来不及。
到底是什么样的攻击，可以让自动驾驶LKAS变得如此不稳定？
道路上“打补丁”
先简单科普下原理，基于深度神经网络(DNN)的LKAS，属于L2自动驾驶系统技术，最具代表性有OpenPilot和特斯拉的Autopilot，是当前使用最为广泛的智能驾驶技术之一，并正被更加广泛地使用。
但好用的同时，安全吗？毕竟驾驶上路，每一个隐患都事关人身安全。
这就是研究者们展开课题的初衷，加州大学欧文分校的博士生、该研究共同一作沈骏杰说：“从这类系统的用户角度考虑，我很想知道到底目前最好的车道保持系统是否足够安全，以及如何确保它的安全。”
2019年3月，他们正式立项，开始了针对LKAS安全性的研究。核心的前提假设是：这些LKAS基于DNN，是不是直接攻击DNN就能造成破坏？
并没有那么简单。想要破坏这样的LKAS，需要迈过“三座大山”：
- 第一，如何通过优化方法来系统，生成针对车道保持系统的恶意路面修复补丁(malicious road patch)。
- 第二，如何保证道路补丁的隐蔽性，避免引起驾驶员和行人怀疑。
- 第三，如何让生成的道路补丁能攻击连续多帧图像，并在车道保持系统受攻击改变车辆轨迹后还能保证攻击的有效性。
这项工作设计并实现了首个可以翻过“三座大山”的攻击方法，仅仅是一块“脏路补丁”。
他们假设攻击者拥有和被攻击对象一样的车道保持系统，并能通过逆向工程获悉该系统的细节，例如神经网络模型参数等。
如果被攻击对象是基于类似OpenPilot这种开源车道保持系统，攻击者很容易就能获得所有的模型参数和源代码。
如果被攻击对象采用的是类似Tesla Autopilot这类闭源系统，攻击者也能通过逆向工程获得模型的结构和参数。
例如去年腾讯科恩实验室就成功逆向出了Autopilot里面的模型，并成功发动了攻击。
不过， 这只是第一步。具体的攻击中，还需要生成基于车辆运动模型的输入。考虑到连续摄像机帧间攻击的相互依赖性，需要根据补丁生成过程中驱动轨迹的变化，对摄像机输入进行动态更新。
研究人员使用自行车模型，来模拟汽车轨迹的变化，然后通过对未受攻击的原始摄像机输入，应用透视变换，来更新摄像机输入。
下图中红色方框，就是模型输入区域。在透视变换后，虽然会造成一些失真和部分缺失，但位于中心的模型输入区域，仍然完整可用。
接下来生成恶意路面修复补丁，他们采用了一种优化方法——*多帧路径弯曲目标函数 (Multi-frame path bending objective function)。用它来替代目标函数，让汽车尽可能地发生偏离。
基于这样的目标函数，可以得到每个摄像机输入的梯度。但梯度下降并不能直接适用于更新恶意路面修复补丁。
研究人员将所有相机输入转换为BEV，让梯度对齐到相同的比例尺，并采取一个加权平均数，解决了这一问题。具体如下图所示：
同时，他们还将更新方向限制在了灰度范围内，假装是一个正常(但肮脏的)道路补丁，这样可以更加隐蔽地发起攻击。
那么问题来了，在现实世界中，发生这种攻击性的可能性如何？该如何应对？
该如何应对攻击？
研究团队称，这一攻击适用于任何基于深度神经网络的车道保持系统，接下来将会进一步完善攻击的适用性，进一步研究车道保持辅助系统中的漏洞。
他们在论文中说，如果有人可以刻意为之，比如出于商业或者金融目的，或者是企业之间的竞争，在现实世界中恶意发起攻击也不是不可能。
毕竟某社交平台的运营合伙人，刚刚因为恶意举报友商被抓，再次证明竞争无所不用其极……
既然如此，那么这个问题又该如何应对呢？论文作者之一沈骏杰从研究者的角度，给出了可行的方案。
他说：“这几年确实有很多研究者提出多种不同的防御手段，例如对抗训练，随机改变输入大小和填充等。”
但这些防御手段只能对这个问题提供一定程度的缓解。“目前还没有任何一种防御手段能完全解决对抗样本的问题。”他说。
一种可能的方向，是借助车辆辅助系统里面的其他信息，来交叉验证车道检测的结果。比如，用雷达对于周围车的估计来判断本车的横向偏移。
所以，即便在现实中发生类似攻击的情况可能性很小，但在安全性没有办法得到保证的时候，自动驾驶能否完全可依赖，还需要采取审慎态度。
在极端情况下，会要命。比如2016年5月，特斯拉的Autopilot因为卡车车体反光，摄像头并未识别对向的卡车，从而导致处于自动驾驶状态的Model S发生事故，导致驾驶员死亡。
道路千万条，安全永远是第一条。
加州大学欧文分校领衔，字节跳动参与
最后，解答下开头提出的“字节跳动之疑”。字节跳动并非布局自动驾驶，而是很前瞻性地把其中一名作者揽入麾下。
本次研究作者团队，来自加州大学欧文分校、字节跳动和东北大学，一共有6名研究人员。其中任教于美国东北大学的Xue Lin，本科毕业于清华。
两位同等贡献第一作者来自加州大学欧文分校，分别是Takami Sato和沈骏杰。
沈骏杰，2013年本科毕业于杭州电子科技大学通信工程专业，2015年在北卡罗来纳州立大学获得计算机工程硕士学位。
2016年前往加州大学欧文分校攻读博士学位，指导老师是陈齐——论文通讯作者。
陈齐于2012年毕业于南京大学计算机科学专业，之后前往密歇根大学读书，师从茅斫青教授，2018年在获得系统和网络安全博士学位，同年7月加入加州大学欧文分校，担任助理教授。
Takami Sato是沈骏杰的同门师弟，本科和硕士毕业于东京工业大学，于2019年在加州大学欧文分校攻读博士学位。此外，作者中还有一位加州大学欧文分校博士生，名为Ningfei Wang。
据沈骏杰介绍，他们主要专注于计算机安全研究。从2018年以来，围绕自动驾驶和智能交通系统的攻击和防御一共发布10多篇相关论文，分别在ACM CCS、Usenix Security、ICLR、EuroSys、NDSS发布。
这篇基于深度学习的车道保持辅助系统的安全性研究，是他们团队的最新成果。陈齐团队的研究人员之外，字节跳动的贾云瀚参与了这项研究。
贾云瀚2013年毕业于上海交通大学软件工程专业，之后前往密歇根大学攻读博士学位，师从茅斫青教授——和陈齐是同门师兄弟。
2018年博士毕业之后，他加入百度安全研究方向的X实验室。2019年8月加入字节跳动人工智能实验室担任研究科学家。
贾云瀚近年来的研究同样集中在安全，特别是智能汽车安全领域。2015年以来，贾云瀚在ACM CCS、NDSS等学术会议上发表15篇论文，获得过3项专利。
据悉，他作为独立研究者一作，与陈齐团队合作的论文，研究针对自动驾驶系统里面目标跟踪的攻击，已被ICLR 2020收录。
所以做什么业务可能不本质，有人才，真的可以为所欲为。
当然，有人才的前提，是得有钱……
传送门
论文地址：
https://www.ndss-symposium.org/wp-content/uploads/2020/02/NDSS2020posters_paper_15.pdf
作者系网易新闻·网易号“各有态度”签约作者
— 完 —
