自動駕駛領域目前最強的MSF(多傳感器融合)定位算法，再次被攻破了。
攻擊之下，平均30秒內，正常行駛中的自動駕駛汽車就撞上了馬路牙子：
不僅GPS被忽悠瘸，LiDAR、輪速計和IMU一起上都沒能阻止。
並且，攻擊算法的成功率竟然達到了90%以上。
連多傳感器融合定位算法達到SOTA的百度Apollo，在仿真環境也中了招。
這項最新研究，來自加州大學爾灣分校(UCI)，目前已發表在信息安全領域四大頂會之一的USENIX Security 2020上。
多傳感器融合如何被忽悠?
GPS欺騙是目前常見的一種攻擊手段，並且在智慧型手機、無人機、遊艇，甚至特斯拉汽車上都能生效。
有調查顯示，自2016年以來，在俄羅斯就發生過9883起GPS欺騙事件，影響了1311個民用船隻系統。
不過，在自動駕駛業界，研究人員們通常認為多傳感器融合(MSF)算法，能有效對抗GPS欺騙。
但加州大學爾灣分校的研究人員們卻通過仿真環境測試發現，橋豆麻袋，這裡面還有漏洞可以鑽。
MSF方法安全性分析
研究人員通過實驗分析發現，由於傳感器噪聲和算法誤差等實際應用中存在的動態因素的影響，MSF會出現可信度相對降低的窗口期。
在此期間，GPS欺騙能夠導致MSF輸出的偏差呈指數級增長。
根據分析日誌，研究人員發現，在這種情況下，LiDAR輸入實際上變成了離群值，無法提供修正。
也就是說，被忽悠瘸了的GPS在某種程度上成了自動駕駛汽車定位的主導輸入源，會導致多傳感器交叉驗證的機制失效。
研究人員稱此為接管效應(take-off effect)。
FusionRipper攻擊方法
基於接管效應，研究人員設計了名為FusionRipper的攻擊方法，能夠抓住接管漏洞出現的窗口期，對行駛中的自動駕駛車輛進行攻擊。
攻擊方式有兩種：
其一，是車道偏離攻擊。目的是讓目標自動駕駛汽車向左或向右偏離車道，直至駛出路面。
其二，是錯道攻擊。目的是讓目標自動駕駛汽車向左偏離，駛入逆向車道。
攻擊一旦成功，造成的危險是顯而易見的：撞上馬路牙子，掉下公路懸崖，撞上對向來車……
需要說明的是，在這項研究中，研究人員假設攻擊者可以發起GPS欺騙來控制目標車輛的GPS定位，導致受攻擊的GPS接收機輸出置信度高但實際誤差大的位置信息。並且，攻擊者可以在攻擊過程中實時跟蹤受害車輛的物理位置。
攻擊方法具體分為兩個階段。
首先是漏洞分析。在這一階段，攻擊者開始GPS欺騙，並在MSF可信度下降的窗口期出現時，測量目標自動駕駛車輛的反饋信息來進行分析。
識別出窗口期之後，就進入攻擊性欺騙階段，即攻擊者開始進行指數級欺騙，以觸發接管效應，快速誘發出最大偏差。
FusionRipper有多猛
那麼，這樣的攻擊算法，成功率有多少呢?
研究者們首先採用了6種真實世界裡的傳感器，在仿真環境中對FusionRipper進行評估，每次實驗的時間為2分鐘。
其中，攻擊成功的結果分為偏離正常車道行駛、和駛入逆向車道兩種。
也就是說，在2分鐘內，如果攻擊算法讓車子偏離了車道、或是開到了逆向車道上，那麼攻擊就成功了。
如下圖，兩種攻擊方式分別可以實現至少97%和91%的成功率。
也就是說，在FusionRipper的攻擊下，跟車2分鐘內，自動駕駛汽車就有97%的機率偏離車道行駛，91%的可能開到逆向車道。
不僅如此，與其他攻擊算法對比的結果發現，FusionRipper甚至能完美攻擊目前「最強的」自動駕駛算法。
在3種比較先進的MSF算法上，研究者們將FusionRipper和普通的隨機攻擊算法進行了對比測試。
下圖是測試的結果，可以看見，在JS-MSF和ETH-MSF這兩種自動駕駛算法上，普通的隨機攻擊還是很有用的，導致車輛偏離車道的成功率會比導致其逆向行駛的成功率更高。
然而，當普通的隨機攻擊算法遇上BA-MSF後，就「蔫了」，從圖中顯示的數據結果來看，成功讓汽車偏離車道、或是逆向行駛的機率，只有3.7%和0.2%。
相對的，FusionRipper算法卻依舊保持了強勁的勢頭。
即使在面對BA-MSF時，FusionRipper也有97%的機率讓自動駕駛汽車偏離軌道。
事實上，由於這種算法對攻擊參數的選擇非常敏感，研究者們提出了一種離線方法，可以在實際攻擊前選出高效的攻擊參數。
當然，這讓攻擊條件本身也受到限制，攻擊者需要擁有與受害者型號相同的自動駕駛車輛，也就是需要有相同的傳感器組，攻擊才能被完成。
如下圖，測試結果表明，這種離線方法在攻擊時，最終能成功實現偏離車道和發生逆行的概率都至少能達到80%以上。
聽起來，這個漏洞後果很嚴重，不過研究者表示，能找到解決的辦法。
這種攻擊的根本原理，依舊是GPS信號欺騙。
如果利用現有的GPS信號欺騙檢測技術(例如監控信號功率、基於多天線的信號到達角度檢測、或基於密碼認證的GPS基礎架構)，某種程度上可以進行防禦，但這些現有技術，都無法完全解決問題。
從根本上來說，需要提高的是MSF的定位置信率，這是克服系統弱點的唯一方法，但尚不清楚目前何時能實現這樣的突破。
不過，通過獨立的定位源來交叉檢查定位結果、減輕攻擊，仍然是一個可行的方向，其中一種方法就是基於攝像頭的車道檢測。
當然，要實現這樣的攻擊，成本其實也並不低。
據作者介紹，硬體方面主要包括兩個部分：價值在2500美元(約合1.7萬人民幣)左右的高端GPS spoofer，以及一輛能夠實時跟車、精準定位目標車輛的自動駕駛車輛。
所以，研究者表示，文中提到這種攻擊算法可能被應用的一種比較現實的情況，是攻擊者是自動駕駛行業的競爭對手。
瞄準最強自動駕駛開源系統
不挑特斯拉，不選谷歌，團隊這次專門挑了百度的Apollo下手，原因何在?
對此，論文一作、UCI在讀博士生沈駿傑表示，選擇Apollo的原因，其實比較現實：它的系統開源。
Apollo有著目前世界上最大的自動駕駛開源社區，影響範圍廣、便於研究。
當然，選擇Apollo的原因也不僅於此。
百度Apollo MSF(BA MSF)，剛好是生產級多傳感器融合算法實現的經典案例。
這次用來實驗的Apollo系統，已經通過了現實中釐米級精度的評估，不僅算法定位的方式非常先進，而且是基於MSF的定位算法中「最靚的仔」(SOTA)。
不僅如此，Apollo工程師此前也用實驗證明，其自動駕駛系統可以通過多傳感器融合等方式來防禦GPS信號欺騙。
能帶偏毫無防備的自動駕駛系統，那不算什麼。
但，如果能拐跑這種自帶防禦能力的高級系統呢?
在這種情況下，Apollo就算是躺著也能「中槍」了：
研究團隊的算法，直接就帶偏了「多傳感器融合」這一防禦算法。
他們在實驗時，特意將Apollo作為一個案例，並發現通過特定的GPD信號欺騙方式，可以讓汽車在某些情況下發生大於10m以上的偏移，並且這種攻擊成功率在90%以上。
作者表示，目前他們已經聯繫了29家自動駕駛公司，就這一新攻擊算法進行了交流。在收到的回覆裡，已經有17家開始針對這個問題展開調查。其中有1家已經開始著手研發防禦/緩解手段。
這種攻擊有現實可行性嗎?
百度Apollo也同樣和研究團隊進行了一系列溝通。
對於這項技術，Apollo官方回應，在接到研究報告的第一時間，出於對人身安全、無人車安全的極大重視，他們已經在現實環境中對實車進行了測試。
不過，與研究團隊給出的仿真結果不同，Apollo的工程師發現FusionRipper對實車並沒有影響。
Apollo方面還進一步進行了解釋：無人車是軟、硬體結合的產物。真正投入運營的車輛，無論是硬體設備還是軟體系統，與實驗室條件完全不同。
在實際測試，Apollo實車採用RTK GPS技術，該技術定位精度在釐米級別，遠高於平常所用的GPS接收器的米級別精度。如果受到論文所假設的欺騙幹擾，不能產生釐米級置信度的錯誤RTK。
如果試圖欺騙GNSS接收機並產生錯誤的RTK結果，需要極高的硬體成本，對抗數十個衛星校驗，以及車上雙天線校驗，理論上幾乎不可能完成。最後，Apollo有多傳感器融合和GPS偽造檢測能力輔助識別欺騙。
另外，Apollo工程師指出，該項研究採用的Apollo MSF是2018版本，之所以能在仿真場景中攻擊成功，是因為當時版本中的MSF並未實時將LiDAR等傳感器數據與GNSS位置信息進行強校驗。
而在最新的工程實踐中，Apollo已經對此完成了優化。即使攻擊者通過近距離長期尾隨自動駕駛車輛，並持續發射GPS欺騙信號，導致無人車車載高精度接收機的所有信道都被欺騙，最終位置輸出偏差，MSF也可以通過新增的相對穩定、不受外界幹擾的雷射定位作為觀測值強校驗，進行規避。
Apollo方面還建議，類似的硬體安全研究，應該在真實環境中進行進一步測試，以便最終落地工業。為此，Apollo未來也計劃與各個高校建立合作。
說到底，把自動駕駛車輛忽悠瘸，本就不是攻防研究的本質目的。
挖掘現有方法背後的安全問題，讓自動駕駛系統更加安全，才是相關研究的意義所在。
相信開放的技術交流、合作，也會讓我們離更加安全的自動駕駛更進一步。
1