۱. معرفی مقاله و اهمیت آن

در دنیای مدرن امروز، خودروها چیزی فراتر از وسیله نقلیه صرف هستند؛ آن‌ها به پلتفرم‌های پیچیده‌ای از سیستم‌های الکترونیکی تبدیل شده‌اند. با افزایش روزافزون قابلیت‌های پیشرفته و هوشمندسازی، واحدهای کنترل الکترونیکی (ECU) به طور فزاینده‌ای در سیستم‌های خودرویی مدرن یکپارچه می‌شوند. این یکپارچگی بالا، گرچه رفاه و کارایی را به ارمغان می‌آورد، اما همزمان دریچه‌های جدیدی را برای تهدیدات امنیتی و نفوذ سایبری باز می‌کند. ارتباطات گسترده بین شبکه‌های داخلی خودرو و شبکه‌های خارجی، مسیر را برای هکرها هموار می‌سازد تا بتوانند از آسیب‌پذیری‌های پروتکل‌های شبکه داخل خودرو سوءاستفاده کنند.

در میان این پروتکل‌ها، شبکه ناحیه کنترل (CAN – Controller Area Network) به عنوان پرکاربردترین فناوری شبکه داخل خودرو شناخته می‌شود. متاسفانه، پروتکل CAN فاقد مکانیزم‌های رمزنگاری و احراز هویت داخلی است، که این ویژگی آن را به شدت در برابر حملات سایبری آسیب‌پذیر می‌کند. این عدم وجود لایه‌های امنیتی اساسی، ارتباطات بین ECUs توزیع‌شده را ناامن می‌سازد و راه را برای حملاتی نظیر تزریق داده‌های مخرب، ایجاد اختلال در عملکرد خودرو، و حتی به خطر انداختن جان سرنشینان باز می‌کند. از این رو، توسعه سیستم‌های تشخیص نفوذ (IDS) قوی و قابل اعتماد برای شبکه CAN، به یکی از مهم‌ترین چالش‌ها در حوزه امنیت سایبری خودرو تبدیل شده است.

مقاله حاضر با عنوان “آیا CAN-BERT می‌تواند؟ سیستم تشخیص نفوذ در شبکه CAN بر اساس مدل زبانی BERT” به بررسی همین چالش حیاتی می‌پردازد. این پژوهش با الهام از عملکرد فوق‌العاده مدل‌های ترنسفورمر (Transformer) و به طور خاص BERT (Bidirectional Encoder Representations from Transformers) در بهبود بسیاری از وظایف پردازش زبان طبیعی، یک رویکرد نوین را برای تشخیص حملات سایبری در پروتکل CAN Bus پیشنهاد می‌کند. اهمیت این مقاله نه تنها در معرفی یک روش پیشرفته مبتنی بر یادگیری عمیق برای مقابله با تهدیدات امنیتی خودرو است، بلکه در نشان دادن قابلیت‌های خارق‌العاده مدل‌های زبانی برای حل مسائلی فراتر از حوزه سنتی زبان طبیعی، یعنی در حوزه امنیت شبکه، نیز نهفته است.

۲. نویسندگان و زمینه تحقیق

این مقاله حاصل تلاش محققان برجسته‌ای به نام‌های ناتاشا الخطیب (Natasha Alkhatib)، ماریا مشتاق (Maria Mushtaq)، هادی قاوش (Hadi Ghauch) و ژان-لوک دَنجر (Jean-Luc Danger) است. این تیم تحقیقاتی با تخصص‌های متنوع خود در حوزه‌های یادگیری ماشین (Machine Learning)، رمزنگاری و امنیت (Cryptography and Security)، و معماری شبکه و اینترنت (Networking and Internet Architecture)، توانسته‌اند رویکردی بین‌رشته‌ای و نوآورانه را برای حل یک مشکل حاد در امنیت سایبری خودرو ارائه دهند.

زمینه تحقیق این مقاله در تقاطع سه حوزه علمی کلیدی قرار دارد: امنیت سایبری خودرو، شبکه‌های درون‌خودرویی، و هوش مصنوعی پیشرفته. با توجه به افزایش پیچیدگی خودروهای متصل و خودران، امنیت این سیستم‌ها به یک نگرانی عمده تبدیل شده است. حملات سایبری به خودروها می‌توانند منجر به از کار افتادن سیستم‌های حیاتی، دستکاری داده‌ها، سرقت اطلاعات شخصی، و حتی تصادفات فاجعه‌بار شوند. بنابراین، توسعه راهکارهای هوشمند و خودکار برای تشخیص و پیشگیری از این حملات، از اهمیت بالایی برخوردار است.

نویسندگان این مقاله با شناخت عمیق از آسیب‌پذیری‌های پروتکل CAN و پتانسیل مدل‌های ترنسفورمر، به دنبال پلی بین این دو حوزه بوده‌اند. مدل‌های زبانی مانند BERT، قابلیت بی‌نظیری در درک الگوهای توالی و وابستگی‌های بلندمدت در داده‌ها دارند. این ویژگی، آن‌ها را به کاندیدای ایده‌آلی برای تحلیل ترافیک شبکه، که خود نوعی از توالی داده‌هاست، تبدیل می‌کند. این پژوهش نشان می‌دهد که چگونه می‌توان از موفقیت‌های حاصل در پردازش زبان طبیعی برای حل مسائل پیچیده در سایر دامنه‌ها، از جمله امنیت سایبری، بهره‌برداری کرد.

تیم تحقیقاتی با ترکیب دانش خود در زمینه پروتکل‌های شبکه خودرو و جدیدترین پیشرفت‌ها در یادگیری عمیق، سیستمی را طراحی کرده‌اند که قادر است ناهنجاری‌ها را در جریان داده‌های CAN با دقت و سرعت بالا تشخیص دهد. این رویکرد نوآورانه، گامی مهم در جهت مقاوم‌سازی خودروهای آینده در برابر تهدیدات سایبری محسوب می‌شود و مسیر را برای تحقیقات آتی در این زمینه هموار می‌کند.

۳. چکیده و خلاصه محتوا

همانطور که در چکیده مقاله نیز آمده است، خودروهای مدرن به دلیل افزایش قابلیت‌های پیچیده مشتری، به طور فزاینده‌ای از واحدهای کنترل الکترونیکی (ECU) استفاده می‌کنند. اما این اتصال‌پذیری بالا بین شبکه‌های داخلی و خارجی خودرو، راه را برای هکرها باز می‌کند تا از آسیب‌پذیری‌های پروتکل‌های شبکه داخل خودرو سوءاستفاده کنند. در این میان، پروتکل CAN (Controller Area Network) که پرکاربردترین فناوری شبکه داخل خودرو است، فاقد مکانیزم‌های رمزنگاری و احراز هویت است، که این امر ارتباطات ECUs را ناامن می‌سازد.

با الهام از عملکرد برجسته BERT (Bidirectional Encoder Representations from Transformers) در بهبود بسیاری از وظایف پردازش زبان طبیعی، نویسندگان در این مقاله “CAN-BERT” را پیشنهاد می‌کنند. CAN-BERT یک سیستم تشخیص نفوذ شبکه مبتنی بر یادگیری عمیق است که برای شناسایی حملات سایبری بر روی پروتکل CAN Bus طراحی شده است. ایده اصلی این است که مدل BERT می‌تواند توالی شناسه‌های داوری (Arbitration IDs) در CAN Bus را برای تشخیص ناهنجاری یاد بگیرد.

نکته کلیدی در روش‌شناسی CAN-BERT، استفاده از هدف آموزشی بدون نظارت “مدل زبان ماسک شده” (Masked Language Model) است. در این رویکرد، بخشی از شناسه‌های CAN در توالی‌ها به طور عمدی پوشانده می‌شوند و مدل BERT وظیفه دارد تا شناسه‌های پنهان‌شده را بر اساس شناسه‌های اطراف خود پیش‌بینی کند. با انجام این کار، مدل BERT قادر است الگوهای طبیعی و مورد انتظار توالی‌های ID را در شبکه CAN فرا گیرد. هرگونه انحراف قابل توجه از این الگوهای آموخته‌شده، به عنوان یک ناهنجاری یا حمله احتمالی تفسیر می‌شود.

نتایج تجربی این سیستم بر روی مجموعه داده “Car Hacking: Attack & Defense Challenge 2020” بسیار امیدوارکننده است. CAN-BERT از رویکردهای پیشرفته موجود بهتر عمل می‌کند. علاوه بر این، این سیستم قادر است نفوذهای داخل خودرو را به صورت بلادرنگ و با سرعت بین 0.8 میلی‌ثانیه تا 3 میلی‌ثانیه (بسته به طول توالی CAN ID) شناسایی کند. مهمتر از آن، CAN-BERT قادر است طیف گسترده‌ای از حملات سایبری را با امتیاز F1 بین 0.81 و 0.99 تشخیص دهد، که نشان‌دهنده کارایی بالا و قابلیت اطمینان آن در سناریوهای مختلف حمله است.

به طور خلاصه، این مقاله نه تنها یک راه‌حل کارآمد برای یکی از بزرگترین چالش‌های امنیتی در خودروهای مدرن ارائه می‌دهد، بلکه نشان می‌دهد که چگونه می‌توان از مدل‌های پیشرفته هوش مصنوعی که در ابتدا برای وظایف زبان طبیعی توسعه یافته بودند، برای حل مسائل پیچیده در حوزه‌های کاملاً متفاوت بهره‌برداری کرد.

۴. روش‌شناسی تحقیق

روش‌شناسی تحقیق در مقاله “CAN-BERT” بر پایه ادغام هوشمندانه پروتکل شبکه CAN با قدرت مدل زبانی BERT استوار است. برای درک چگونگی عملکرد CAN-BERT، لازم است ابتدا با ویژگی‌های پروتکل CAN و سپس با نحوه انطباق BERT با این داده‌ها آشنا شویم.

الف. پروتکل CAN و آسیب‌پذیری‌های آن:

• ساختار CAN Bus: شبکه CAN یک پروتکل ارتباطی سریال است که امکان ارتباط بین ECUs مختلف در خودرو را فراهم می‌کند. هر پیام CAN شامل یک شناسه داوری (Arbitration ID) است که هم اولویت پیام را مشخص می‌کند و هم فرستنده آن را. این شناسه‌ها، همراه با داده‌های پیام، در یک قالب مشخص بر روی گذرگاه منتشر می‌شوند.
• عدم وجود امنیت داخلی: همانطور که پیشتر اشاره شد، CAN فاقد مکانیزم‌های رمزنگاری، احراز هویت یا کنترل دسترسی داخلی است. این بدان معناست که هر دستگاهی که به گذرگاه CAN متصل شود، می‌تواند پیام‌ها را بخواند و حتی پیام‌های جعلی را تزریق کند. این نقص امنیتی ریشه‌ای، حملاتی مانند حملات انکار سرویس (DoS)، جعل هویت (Spoofing) و بازپخش (Replay) را ممکن می‌سازد.

ب. مدل زبانی BERT و انطباق آن با CAN:

• معماری BERT: BERT یک مدل مبتنی بر ترنسفورمر است که برای درک زبان طبیعی توسعه یافته است. ویژگی برجسته آن “دوجهته” (Bidirectional) بودن آن است؛ یعنی در هر پیش‌بینی، هم به کلمات قبل و هم به کلمات بعد توجه می‌کند. این قابلیت به آن امکان می‌دهد تا روابط پیچیده و وابستگی‌های بلندمدت را در توالی‌ها درک کند.
• تطبیق CAN IDs با توکن‌های زبانی: نوآوری اصلی در CAN-BERT، تفسیر شناسه‌های داوری CAN به عنوان “توکن” یا “کلمه” در یک توالی زبانی است. به جای پردازش کلمات انسانی، BERT توالی‌های شناسه‌های CAN را پردازش می‌کند. این توالی‌ها نمایانگر الگوی طبیعی و مورد انتظار ارتباطات در گذرگاه CAN هستند.
• هدف آموزشی “مدل زبان ماسک شده” (Masked Language Model – MLM):
  • در مرحله آموزش بدون نظارت، بخشی از شناسه‌های CAN در توالی‌ها به طور تصادفی “ماسک” یا پنهان می‌شوند.
  • مدل BERT سپس بر اساس شناسه‌های اطراف (قبل و بعد) وظیفه دارد تا شناسه‌های ماسک شده را پیش‌بینی کند.
  • با تکرار این فرآیند بر روی حجم عظیمی از داده‌های عادی CAN (بدون حمله)، BERT یک “حس” عمیق از الگوهای طبیعی و معتبر ارتباطی در شبکه CAN پیدا می‌کند. این مدل یاد می‌گیرد که چه شناسه‌هایی معمولاً پس از چه شناسه‌های دیگری می‌آیند و چه ترکیباتی از شناسه‌ها معتبر هستند.
• تشخیص ناهنجاری: پس از آموزش، مدل برای تشخیص ناهنجاری استفاده می‌شود. هرگاه یک توالی جدید از شناسه‌های CAN به سیستم وارد شود، BERT تلاش می‌کند تا آن را با الگوهای آموخته‌شده خود مقایسه کند. اگر مدل در پیش‌بینی شناسه‌های ماسک‌شده در یک توالی ورودی جدید دچار “سردرگمی” یا “اطمینان پایین” شود، یا اگر احتمال پیش‌بینی شناسه‌های معتبر به طور غیرمنتظره‌ای کم باشد، این به معنای وجود یک ناهنجاری و احتمالا یک حمله است.

ج. مجموعه داده و ارزیابی:

• مجموعه داده “Car Hacking: Attack & Defense Challenge 2020”: این پژوهش برای آموزش و ارزیابی مدل خود از یک مجموعه داده عمومی و معتبر استفاده کرده است که شامل ترافیک عادی و انواع مختلف حملات سایبری بر روی شبکه CAN است. استفاده از چنین مجموعه داده‌ای، قابلیت تعمیم و اعتبار نتایج را افزایش می‌دهد.
• معیارهای ارزیابی: عملکرد CAN-BERT با معیارهایی نظیر F1-score، دقت (Precision)، فراخوانی (Recall) و مهمتر از همه، زمان تشخیص بلادرنگ ارزیابی شده است. این معیارها به خوبی نشان‌دهنده توانایی سیستم در شناسایی دقیق و سریع حملات هستند.

در مجموع، روش‌شناسی CAN-BERT با تبدیل یک مشکل امنیتی شبکه‌ای به یک مسئله “پیش‌بینی توالی” در حوزه زبان طبیعی، و با بهره‌گیری از قدرت مدل‌های ترنسفورمر، یک راهکار نوآورانه و بسیار مؤثر برای تشخیص نفوذ در شبکه CAN ارائه می‌دهد.

۵. یافته‌های کلیدی

مقاله “CAN-BERT” نتایج چشمگیری را ارائه می‌دهد که برتری رویکرد پیشنهادی را نسبت به روش‌های موجود در زمینه تشخیص نفوذ در شبکه CAN به اثبات می‌رساند. این یافته‌ها، نه تنها از نظر تئوری، بلکه در عمل نیز کاربردهای فراوانی دارند و گام مهمی در جهت افزایش امنیت خودروهای مدرن محسوب می‌شوند.

مهمترین یافته‌های کلیدی این تحقیق به شرح زیر است:

• برتری چشمگیر بر روش‌های پیشرفته: یکی از برجسته‌ترین دستاوردها، این است که CAN-BERT به طور مداوم و قابل ملاحظه‌ای از رویکردهای پیشرفته (State-of-the-Art) موجود در تشخیص نفوذ شبکه CAN بهتر عمل می‌کند. این برتری نشان‌دهنده قابلیت بالای مدل BERT در یادگیری الگوهای پیچیده و ظریف ترافیک CAN، که سایر مدل‌ها ممکن است از تشخیص آن‌ها عاجز باشند، است.
• تشخیص بلادرنگ و با سرعت بالا: CAN-BERT توانایی شناسایی نفوذهای داخل خودرو را به صورت بلادرنگ و با زمان پاسخگویی بسیار کم دارد. این سیستم می‌تواند حملات را در بازه زمانی ۰.۸ میلی‌ثانیه تا ۳ میلی‌ثانیه تشخیص دهد. این سرعت عمل برای سیستم‌های امنیتی خودرو بسیار حیاتی است، زیرا بسیاری از حملات تنها در کسری از ثانیه می‌توانند خسارات جبران‌ناپذیری وارد کنند. زمان تشخیص سریع، امکان واکنش به موقع و کاهش تأثیر حمله را فراهم می‌آورد.
• دقت بالا در شناسایی انواع حملات: این مدل قادر است طیف وسیعی از حملات سایبری را با امتیاز F1 بین ۰.۸۱ تا ۰.۹۹ شناسایی کند. امتیاز F1 یک معیار جامع است که هم دقت (Precision) و هم فراخوانی (Recall) را در نظر می‌گیرد و نشان‌دهنده تعادل خوب بین شناسایی صحیح حملات و جلوگیری از هشدارهای کاذب است. این گستردگی در تشخیص انواع حمله (مانند حملات DoS، جعل پیام، دستکاری داده‌ها) نشان‌دهنده استحکام و پایداری مدل در برابر استراتژی‌های مختلف مهاجمین است.
• قابلیت یادگیری الگوهای توالی پیچیده: این تحقیق به وضوح نشان می‌دهد که مدل BERT می‌تواند توالی شناسه‌های داوری (IDs) در گذرگاه CAN را به طور مؤثری یاد بگیرد. این قابلیت به دلیل ماهیت ترنسفورمر و معماری دوجهته BERT است که به آن اجازه می‌دهد تا روابط زمینه و وابستگی‌های زمانی را در جریان داده‌ها درک کند. این “درک عمیق” از ترافیک عادی، اساس تشخیص دقیق ناهنجاری‌ها را فراهم می‌آورد.
• استفاده مؤثر از “مدل زبان ماسک شده” (MLM) برای آموزش بدون نظارت: کاربرد MLM برای آموزش مدل بدون نیاز به داده‌های حملات برچسب‌گذاری شده، یک دستاورد مهم است. این بدان معناست که CAN-BERT می‌تواند تنها با استفاده از داده‌های ترافیک عادی (که به راحتی در دسترس هستند) آموزش ببیند و سپس برای تشخیص حملات جدید یا ناشناخته (Zero-day attacks) به کار رود. این ویژگی، هزینه‌های جمع‌آوری داده و برچسب‌گذاری را به شدت کاهش داده و انعطاف‌پذیری سیستم را افزایش می‌دهد.

این یافته‌ها در مجموع نشان می‌دهند که CAN-BERT یک گام رو به جلو در زمینه امنیت سایبری خودرو است و پتانسیل بالایی برای پیاده‌سازی در سیستم‌های واقعی جهت محافظت از خودروها در برابر تهدیدات روزافزون سایبری دارد.

۶. کاربردها و دستاوردها

دستاوردها و کاربردهای سیستم CAN-BERT فراتر از یک پیشرفت صرفاً آکادمیک است و تأثیرات عملی قابل توجهی در صنعت خودرو و امنیت سایبری خواهد داشت. این سیستم نه تنها به طور مستقیم به یک مشکل امنیتی حاد می‌پردازد، بلکه راه را برای نوآوری‌های آینده در حوزه‌های مرتبط نیز هموار می‌کند.

الف. کاربردهای عملی:

• افزایش امنیت سایبری خودرو: اصلی‌ترین و مهم‌ترین کاربرد CAN-BERT، افزایش قابل توجه امنیت خودروهای مدرن است. با تشخیص سریع و دقیق حملات بر روی شبکه CAN، می‌توان از دستکاری سیستم‌های حیاتی مانند ترمز، فرمان، موتور و سیستم‌های کمک‌راننده جلوگیری کرد. این امر به طور مستقیم به حفظ جان سرنشینان و ایمنی جاده‌ها کمک می‌کند.
• پیشگیری از خسارات مالی و اعتباری: حملات سایبری به خودروها می‌توانند منجر به فراخوان‌های پرهزینه، دعاوی قضایی و آسیب جدی به اعتبار خودروسازان شوند. CAN-BERT با ارائه یک لایه دفاعی قوی، می‌تواند به جلوگیری از این خسارات مالی و حفظ اعتماد مشتریان کمک کند.
• ادغام با ECUs و Gateway‌های خودرو: با توجه به زمان تشخیص بسیار پایین (۰.۸ تا ۳ میلی‌ثانیه)، CAN-BERT پتانسیل بالایی برای ادغام مستقیم در واحدهای کنترل الکترونیکی (ECUs) یا Gateway‌های ارتباطی خودرو دارد. این ادغام می‌تواند به عنوان یک ماژول امنیتی هوشمند عمل کرده و ترافیک CAN را به صورت بلادرنگ پایش کند.
• تشخیص حملات ناشناخته (Zero-day Attacks): با توجه به استفاده از رویکرد آموزش بدون نظارت MLM، CAN-BERT قادر است الگوهای عادی را یاد بگیرد و هرگونه انحراف از آن را به عنوان ناهنجاری شناسایی کند. این ویژگی آن را در تشخیص حملات جدید و ناشناخته که امضای آن‌ها در پایگاه داده حملات موجود نیست، بسیار کارآمد می‌سازد.

ب. دستاوردها و پیامدها:

• گسترش کاربرد مدل‌های زبانی در حوزه‌های غیرزبانی: این تحقیق یک نمونه عالی از چگونگی بهره‌برداری از موفقیت‌های هوش مصنوعی در یک حوزه (پردازش زبان طبیعی) برای حل مسائل پیچیده در حوزه دیگر (امنیت شبکه) است. این امر، افق‌های جدیدی را برای تحقیقات میان‌رشته‌ای باز می‌کند.
• پایه و اساس برای سیستم‌های امنیتی تطبیق‌پذیر: CAN-BERT می‌تواند به عنوان هسته اصلی برای توسعه سیستم‌های امنیتی تطبیق‌پذیر و خودکار در خودروها عمل کند. با قابلیت تشخیص سریع، می‌توان مکانیزم‌هایی برای واکنش خودکار، مانند ایزوله کردن ECU مشکوک یا تغییر مسیر ترافیک، پیاده‌سازی کرد.
• مدلی برای امنیت سیستم‌های کنترل صنعتی (ICS): آسیب‌پذیری‌های CAN تنها به خودروها محدود نمی‌شود. بسیاری از سیستم‌های کنترل صنعتی (ICS) نیز از پروتکل‌های مشابه و فاقد امنیت داخلی استفاده می‌کنند. رویکرد CAN-BERT می‌تواند به عنوان یک الگو برای توسعه سیستم‌های تشخیص نفوذ مشابه در این حوزه‌ها نیز به کار رود.
• کاهش بار محاسباتی برای آموزش: با توجه به ماهیت بدون نظارت آموزش اولیه، نیاز به مجموعه‌ داده‌های برچسب‌گذاری شده و پرهزینه کاهش می‌یابد. این یک مزیت بزرگ در زمینه جمع‌آوری داده‌های امنیتی است که معمولاً به سختی قابل دسترسی و برچسب‌گذاری هستند.

در مجموع، CAN-BERT نه تنها یک راه‌حل فنی نوآورانه برای یک مشکل امنیتی حیاتی است، بلکه یک مدل فکری برای چگونگی استفاده خلاقانه از هوش مصنوعی برای مقابله با چالش‌های پیچیده در دنیای متصل امروز ارائه می‌دهد.

۷. نتیجه‌گیری

مقاله “آیا CAN-BERT می‌تواند؟ سیستم تشخیص نفوذ در شبکه CAN بر اساس مدل زبانی BERT” یک گام بلند و نوآورانه در راستای افزایش امنیت سایبری خودروهای مدرن به شمار می‌رود. این تحقیق به طور موفقیت‌آمیزی نشان داده است که چگونه می‌توان از قدرت و توانایی‌های بی‌نظیر مدل‌های زبانی پیشرفته نظیر BERT، در حوزه‌ای کاملاً متفاوت از کاربرد اصلی آن‌ها، یعنی تشخیص نفوذ در شبکه‌های داخل خودرو، بهره‌برداری کرد.

چالش اصلی در امنیت شبکه CAN، عدم وجود مکانیزم‌های امنیتی پایه مانند رمزنگاری و احراز هویت است که این پروتکل را در برابر انواع حملات سایبری به شدت آسیب‌پذیر می‌سازد. در پاسخ به این چالش، CAN-BERT به عنوان یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق معرفی شده است که با استفاده از الگوریتم BERT، الگوهای طبیعی توالی شناسه‌های داوری CAN را فرا می‌گیرد.

دستاوردها و یافته‌های کلیدی این پژوهش به وضوح برتری CAN-BERT را اثبات می‌کنند. این سیستم نه تنها از رویکردهای پیشرفته موجود بهتر عمل می‌کند، بلکه قادر است نفوذها را به صورت بلادرنگ و با سرعت بی‌سابقه ۰.۸ تا ۳ میلی‌ثانیه شناسایی کند. علاوه بر این، توانایی آن در تشخیص طیف وسیعی از حملات سایبری با امتیاز F1 بین ۰.۸۱ تا ۰.۹۹، اعتبار و پایداری آن را در مواجهه با تهدیدات مختلف تضمین می‌کند. استفاده خلاقانه از هدف آموزشی “مدل زبان ماسک شده” (MLM)، امکان آموزش بدون نظارت را فراهم می‌آورد که این خود یک مزیت بزرگ در مقابله با حملات ناشناخته و کاهش نیاز به داده‌های برچسب‌گذاری شده است.

کاربردهای CAN-BERT بسیار گسترده و حیاتی است؛ از افزایش ایمنی سرنشینان خودرو و حفاظت از اطلاعات حساس گرفته تا جلوگیری از خسارات مالی و اعتباری برای خودروسازان. این سیستم پتانسیل ادغام شدن در معماری‌های الکترونیکی خودرو را دارد و می‌تواند به عنوان یک ماژول امنیتی هوشمند و پیشگیرانه عمل کند.

در نهایت، CAN-BERT نه تنها یک راه‌حل عملی برای یک مشکل امنیتی حیاتی ارائه می‌دهد، بلکه الهام‌بخش تحقیقات آتی در زمینه هوش مصنوعی و امنیت سایبری است. این پژوهش نشان می‌دهد که مرزهای کاربرد مدل‌های یادگیری عمیق بسیار فراتر از حوزه‌های سنتی آن‌هاست و با تفکر خلاقانه، می‌توان از این ابزارهای قدرتمند برای حل چالش‌های پیچیده در دامنه‌های مختلف استفاده کرد. آینده امنیت خودروها و سیستم‌های کنترل صنعتی، به شدت به چنین نوآوری‌هایی متکی خواهد بود.