因果狀態模型

因果狀態模型（Causal State Models, CSMs）源於計算力學與資訊理論，是一種從時間序列數據中，自動推導出具備最佳預測能力且結構最簡潔的隱藏式馬可夫模型。其核心概念是將一個隨機過程的所有可能歷史，劃分為有限個「因果狀態」，使得處於相同狀態的所有歷史對未來的預測機率完全相同。在車用網路安全領域，雖然ISO/SAE 21434標準未直接指名此技術，但其要求企業必須執行有效的威脅分析與風險評估（TARA, Clause 15）及持續監控。CSMs為實現車載入侵偵測系統（IDS）提供了強健的數學基礎，透過建立車輛內部網路（如CAN bus）通訊的精準正常行為模型，有效偵測可能代表網路攻擊的異常模式。相較於傳統統計方法或標準隱藏式馬可夫模型，CSMs能更根本地捕捉數據的內在結構，模型更具解釋性與效率。

在車用網路安全風險管理中，導入因果狀態模型主要遵循以下三步驟： 1. **數據收集與預處理**：首先，收集目標車輛在各種正常駕駛情境下（如啟動、怠速、加速、轉向）的大量CAN匯流排通訊數據。接著，將原始的CAN ID與數據負載轉換為模型可處理的符號序列，作為訓練模型的基礎。 2. **模型建構與訓練**：利用因果狀態重構演算法（如CSSR），對前一步驟收集的正常數據進行訓練，自動生成一個代表車輛正常通訊行為的有限狀態機（automaton）。此模型精確地描述了不同訊息之間的時序關聯與轉移機率。 3. **即時異常偵測與警報**：將訓練好的模型部署於車輛的閘道器（Gateway）或特定ECU中。系統會即時監控CAN匯流排流量，若出現的訊息序列導致模型進入一個未定義或極低機率的狀態轉移，即判定為異常事件（如重放攻擊、偽冒訊息），並觸發警報。此方法可協助企業達成ISO/SAE 21434中對攻擊偵測與緩解措施的驗證要求，某Tier 1供應商透過此技術，將網路攻擊測試的審計通過率提升至100%。

台灣企業導入因果狀態模型於車用網路安全時，主要面臨三大挑戰： 1. **跨領域人才稀缺**：CSMs涉及計算理論、機器學習與車輛工程等專業，市場上同時具備這些能力的專家極少，導致企業內部難以獨立完成模型開發與驗證。 2. **高品質數據獲取困難**：建構精準模型需大量涵蓋所有操作情境的「純淨」正常數據，以及多樣化的攻擊數據進行驗證。數據的收集、標記與管理不僅成本高昂，且耗時甚鉅。 3. **嵌入式系統資源限制**：車用電子控制單元（ECU）的運算能力與記憶體資源有限，要在其上部署複雜的CSM模型，需在偵測效能與系統負擔間取得平衡，對演算法優化能力要求極高。 **對策**：為克服挑戰，建議企業尋求外部專業顧問，進行技術導入與人才培訓（預期3個月見效）。同時，建立標準化數據收集流程，並結合模擬平台生成數據以彌補實車數據不足。在技術上，採用模型量化與剪枝等技術進行輕量化，並優先在運算資源較豐富的閘道器節點進行部署驗證，預計6個月內可完成概念驗證（PoC）。