Non-Random CAN Fuzzing을 통한 효율적인 ECU 분석 기술
An Efficient ECU Analysis Technology through Non-Random CAN Fuzzing
2
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
최근 출시된 차량에는 다수의 ECU(Electronic Control Unit)가 탑재되어 있고, 각 ECU들은CAN(Controller Area Network)을 통해 통신함으로써 차량을 효율적으로 제어할 수 있다. 하지만 CAN 통신에는 암호화 및 인증 기술이 적용되어 있지 않고, 접근 제어가 없는 Broadcast 방식으로 통신이 이루어지므로 보안에 취약하다는 문제점이 존재한다. 이러한 취약점을 이용하여 차량 제어 등의 수많은 차량 해킹 공격이 이루어지고 있으며 그에 대응하기 위한 연구 또한 진행되고 있다. 차량 해킹 대응 기술들 중에는 완성차에 탑재된 ECU의취약점을 분석할 수 있는 CAN Fuzzing 기술이 존재한다. 하지만 기존의 CAN Fuzzing 기술들은 ECU들이 전송하는 CAN 메시지 구조를 고려하지 않고 Random한 방식으로 Fuzzing을 진행하기 때문에 많은 시간이 소요된다. 또한, 기존 CAN Fuzzing 기술은 Fuzzing 결과를 모니터링하는 방법에도 한계점이 존재한다. 이러한 CAN Fuzzing 기술의 한계를 해결하고자 본 논문에서는 CAN 메시지의 구조를 분석하고, 이를 바탕으로 ECU의 이상작동 현상을 유발시킬 수 있는 Fuzzing 입력값을 생성하는 Non-Random CAN Fuzzing 기법을 제안한다. Non-Random CAN Fuzzing은 기존 Random CAN Fuzzing에 비해 소요되는 시간을 절약할 수 있고, 이를통해 SW 구현 오류 혹은 CAN DBC(Database CAN) 설계 오류 등으로 인해 존재할 수 있는 ECU의 이상 작동 현상과 연관된 CAN 메시지들을 빠르게 발견할 수 있다. 제안하는 Non-Random CAN Fuzzing의 성능을 평가하기 위해 제안 기법을 실제 차량에 적용하였으며 ECU에 이상 작동 현상을 일으킬 수 있는 CAN 메시지를 확인하였다.
Abstract
Modern vehicles are equipped with a number of ECUs(Electronic Control Units), and ECUs can control vehicles efficiently by communicating each other through CAN(Controller Area Network). However, CAN bus is known to be vulnerable to cyber attacks because of the lack of message authentication and message encryption, and access control. Tofind these security issues related to vehicle hacking, CAN Fuzzing methods, that analyze the vulnerabilities of ECUs, have been studied. In the existing CAN Fuzzing methods, fuzzing inputs are randomly generated without considering the structure of CAN messages transmitted by ECUs, which results in the non-negligible fuzzing time. In addition, the existing fuzzing solutions have limitations in how to monitor fuzzing results. To deal with the limitations of CAN Fuzzing, in this paper, we propose a Non-Random CAN Fuzzing, which consider the structure of CAN messages and systematically generates fuzzing input values that can cause malfunctions to ECUs. The proposed Non-Random CAN Fuzzing takes less time than the existing CAN Fuzzing solutions, so it can quickly find CAN messages related to malfunctions of ECUs that could be originated from SW implementation errors or CAN DBC(Database CAN) design errors. We evaluated the performance of Non-Random CAN Fuzzing by conducting an experiment in a real vehicle, and proved that the proposed method can find CAN messages related to malfunctions faster than the existing fuzzing solutions.
참고문헌 (25)
- Pierre Kleberger, "Security Aspects of the In-Vehicle Network in the Connected Car", IEEE intelligent Vehicles Symposium (2011)
- "ISO 11898-1:2015, Road Vehicles –Controller Area Network (CAN)", ~ (2015)
- Karl Koscher, "Experimental Security Analysis of a Modern Automobile", Proceedings of the 2010 IEEE Symposium on Security and Privacy, pp.447~462 (2010)
- Charlie Miller, "Remote Exploitation of an Unaltered Passenger Vehicle", Black Hat USA, ~ (2015)
- Dan Klinedinst, "On Board Diagnostics: Risks and Vulnerabilities of the Connected Vehicle", Software Engineering Institute Carnegie Mellon University (2016)
- Charlie Miller, "Adventures in automotive networks and control units", Defcon, ~ (2013)
- Karl Koscher, "Comprehensive Experimental Analyses of Automotive Attack Surfaces", Proceedings of the 20th USENIX conferences on Security, pp.447~462 (2011)
- CAN Specification Version 2.0, "Robert Bosch GmbH", ~ (1991)
- Tae Un Kang, "Automated Reverse Engineering and Attack for CAN using OBD-II", 2018IEEE 88th Vehicular Technology Conference, pp.1~7 (2018)
- Hyun Min Song, "Discovering CAN specification using On-Board Diagnostics", IEEE Design and Test, ~ (2020)
- Mirco Marchetti, "READ: Reverse Engineering of Automotive Data Frames", IEEE Transactions on Information Forensics and Security (2019)
- Mert D.Pesé, "LibreCAN:Automated CAN Message Translator", Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications Security (2019)
- Sekar Kulandaivel, "CANvas: Fast and Inexpensive Automotive Network Mapping", Proceedings of the 28th USENIX Conference on Security Symposium, pp.389~405 (2019)
- Geoffrey Hinton, "Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups", IEEE Signal Processing Magazine, pp.82~97 (2012)