向量相似性可以通过比较固件代码的数学表示来检测未经授权的更改，从而帮助验证自动驾驶汽车的固件完整性。固件是自动驾驶汽车中的关键组件，控制着传感器、决策和硬件交互。通过将固件转换为数值向量（例如从代码结构、校验和或行为模式派生的嵌入），开发人员可以衡量可信基线与活动固件之间的相似性。如果向量超出预定义阈值，则表明可能存在篡改或损坏，从而触发警报或故障安全机制。
例如，自动驾驶汽车的固件可以分成功能模块（例如，激光雷达处理或制动控制）。每个模块都可以通过 SHA-256 等技术结合特征提取进行哈希处理并转换为向量。在验证过程中，系统计算当前模块向量与存储在安全只读存储器中的向量之间的余弦相似度。如果模块的向量相似度低于 0.95（范围为 -1 到 1），则可能表明存在未经授权的修改。机器学习模型还可以生成捕获语义代码模式的嵌入，使攻击者更难在不改变向量“形状”的情况下插入恶意代码。例如，自主系统中的受损神经网络模型即使文件大小或校验和看起来没有变化，也可能显示向量漂移，因为嵌入反映了代码的功能逻辑。
实际实施需要在准确性和性能之间取得平衡。为大型固件二进制文件生成向量可能涉及将代码分块成更小的段，或使用局部敏感哈希 (LSH) 来加快比较速度。安全存储基线向量至关重要——硬件安全模块 (HSM) 或可信平台模块 (TPM) 可以保护这些参考。实时检查可以在启动期间或操作期间定期运行，使用轻量级算法来最大程度地减少延迟。例如，车辆的板载计算机可以使用关键子系统的预计算向量，并在传感器校准阶段进行交叉引用。这种方法可以在不中断时间敏感操作的情况下确保完整性，提供了一种可扩展的方式来防范意外损坏和有针对性的攻击。