VicOne基于生成式人工智能的车载入侵检测系统亮相Sonatus AI 总监

“云优先”模式依赖于将每辆车产生的海量原始遥测和事件数据持续上传至集中式安全中心（VSOC）。随着车队规模的扩大，这会引发三个关键问题：
- 成本激增：随着上传数据量的激增，存储和数据传输费用也随之飙升。
- 误报过载：VSOC团队被大量非关键警报淹没，其中简单的车辆故障被误判为网络攻击，导致分析师的时间被浪费。
- 对新威胁反应迟缓：频繁的车辆软件更新形成了一个“移动目标”，迫使安全团队不断调整基于云的检测方法，从而延缓了对实际威胁的响应。

与基于静态规则的系统不同，VicOne的解决方案采用了一种基于生成式人工智能（GenAI）的威胁模型，该模型直接在车辆硬件（即“边缘”）上运行。
- 上下文分析：它通过关联多个电子控制单元（ECU）的数据——包括CAN总线活动、以太网数据包和系统日志——来揭示传统方法无法察觉的复杂、基于上下文的攻击模式。
- 新型威胁检测：通过在本地分析这些丰富的跨域数据，该方案能够识别此前未曾出现过的“新型威胁”（零日攻击），而不仅仅是匹配已知的特征码。

VicOne的AI 与Sonatus 平台的结合，带来了可量化的效率和成本效益：
- 云成本降低60%：通过在本地处理数据，并仅上传汇总后的相关警报，该方案大幅削减了数据传输和处理费用。
- 威胁分拣速度提升 80%：系统会预先过滤误报，提供高质量且可操作的洞察，从而减少安全分析师筛选无用信息的时间。
- 全面覆盖：将威胁检测范围从单个电子控制单元（ECU）扩展至整车，监控从 API 调用到 CPU 使用率等各项指标，以发现可疑活动。