Artificial Intelligence-based Cybersecurity for Connected and Automated Vehicles
Los efectos perjudiciales de los ciberataques para una industria como la de la Movilidad Cooperativa Conectada y Automatizada (CCAM) pueden ser tremendos. Desde los menos importantes hasta los más graves, se pueden mencionar, por ejemplo, el daño en la reputación de los fabricantes de vehículos, la mayor negativa de los clientes a adoptar la CCAM, la pérdida de horas de trabajo (con impacto directo en el PIB europeo), los daños materiales, el aumento de la contaminación ambiental debido, por ejemplo, a atascos de tráfico o a modificaciones maliciosas en el firmware de los sensores y, en última instancia, el gran peligro para las vidas humanas, ya sean conductores, pasajeros o peatones.
Los vehículos conectados pronto serán una realidad en nuestras carreteras, lo que traerá consigo nuevos servicios y capacidades, pero también retos técnicos y amenazas a la seguridad. Para superar estos riesgos, el proyecto CARAMEL ha desarrollado varias soluciones antihacking para la nueva generación de vehículos.
CARAMEL (Artificial Intelligence-based Cybersecurity for Connected and Automated Vehicles), un proyecto de investigación cofinanciado por la Unión Europea dentro del programa marco Horizonte 2020, es un consorcio de proyectos con 15 organizaciones de 8 países europeos junto con 3 socios coreanos. El proyecto aplica un enfoque proactivo basado en técnicas de Inteligencia Artificial y Machine Learning para detectar y prevenir potenciales amenazas de ciberseguridad a vehículos autónomos y conectados. Este enfoque se ha abordado en base a cuatro pilares fundamentales, a saber: Movilidad Autónoma, Movilidad Conectada, Electromovilidad y Vehículo Teledirigido. Este libro presenta teoría y resultados de cada una de estas direcciones técnicas.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)