dSPACE dissecto HydraVision MCP：
AI 代理驅動的車用資安測試完整指南

HydraVision 是 dSPACE 旗下 dissecto 推出的車用資安自動化測試平台，搭配 HydraProbe 硬體探針與 HydraCore 測試框架，涵蓋 CAN / ISO-TP、UDS、DoIP、車載乙太網路、藍牙等介面的安全測試，是導入 ISO/SAE 21434 與 UNECE R155 資安驗證的重要工具。自 2026 年中起，HydraVision 正式支援 Model Context Protocol（MCP），讓 Claude、GitHub Copilot、Cursor、Gemini CLI 等 AI 助理可以直接連線至 HydraVision 執行個體——建立測試目標、設定 Context、啟動測試活動（Campaign）、讀取結果並撰寫報告，全程使用與登入使用者相同的工具與權限。本文以 HydraVision 2026.08 版為基礎，完整介紹 HydraVision MCP 的架構、設定方式、全部工具能力與實務應用。

1. HydraVision MCP 架構總覽

與 dSPACE MCP Hub 採用本機 STDIO 子行程不同，HydraVision MCP 是內建於 HydraVision 伺服器端的遠端 MCP Server，AI 客戶端透過 HTTPS 直接連線，不需在本機安裝任何套件。整體架構由四個角色組成：

2. 連線端點與 OAuth 認證

HydraVision MCP 使用標準的 OAuth 2.1 授權流程，外部 AI 客戶端永遠不會接觸到使用者密碼。主要規格如下：

3. 連線設定流程（五步驟）

由於 HydraVision MCP 是遠端伺服器，設定流程比本機 MCP Server 更精簡，不需安裝 Python 或任何相依套件：

3.1 MCP 客戶端配置範例

Claude Code（終端機一行指令新增，首次使用時於 /mcp 完成登入）：

# 以 HTTP 傳輸方式新增 HydraVision MCP
claude mcp add --transport http hydravision https://<your-instance>.hydravision.dissec.to/mcp

VS Code + GitHub Copilot（工作區 .vscode/mcp.json）：

{
  "servers": {
    "hydravision": {
      "type": "http",
      "url": "https://<your-instance>.hydravision.dissec.to/mcp"
    }
  }
}

Cursor（.cursor/mcp.json）：

{
  "mcpServers": {
    "hydravision": {
      "url": "https://<your-instance>.hydravision.dissec.to/mcp"
    }
  }
}

4. 資源（Resources）與工作流程提示（Prompts）

除了工具之外，HydraVision MCP 將平台上的資料以 hydravision:// URI 形式開放為唯讀資源，並依類別（category）分組，方便 AI 代理快速定位。所有清單型資源皆分頁回傳（預設 20 筆、上限 100 筆），回應中的 pagination.truncated 與 hint 會提示下一頁的 offset。對於不支援原生 MCP Resources 的客戶端（例如部分 CLI 工具），可改用 list_hydravision_resources 與 read_hydravision_resource 兩個工具存取。

HydraVision MCP 也內建一組工作流程提示（Prompts），把官方建議的操作順序封裝起來，AI 代理可直接套用：

• configure_new_target：建立新目標 → 設定 Context → 啟動測試計畫活動。
• fork_testcase_from_template：複製既有範本 → 查詢 HydraCore API → 安全地修改 test_case.py → 冒煙測試。
• analyze_job_failure：針對單一失敗工作，依序讀取日誌、結果、留言、Context 快照與產出檔案。
• summarize_test_campaign / triage_failures：彙整活動通過／失敗統計，並跨活動依根因歸類失敗項目。
• compare_job_runs：比對同一執行定義的兩次執行結果，找出 pass→fail 的回歸項目。
• diagnose_runner_offline：排查探針離線或卡住的工作。
• probe_debug_session：在硬體探針上開啟互動式偵錯工作階段。
• generate_target_report / edit_target_report：從已完成的工作產出並編修目標報告。

5. 工具能力詳解（10 個功能域）

以下依功能域列出 HydraVision MCP 的主要工具與其能力。

5.1 伺服器指引與資源存取（3 個工具）

5.2 測試目標與 Context 管理（5 個工具）

5.3 測試計畫與測試活動（8 個工具）

5.4 執行圖與測試執行（10 個工具）

5.5 測試結果與資料分析（7 個工具）

5.6 分析師註記與嚴重度（3 個工具）

5.7 測試案例範本開發（9 個工具）

測試案例範本以 Git 儲存庫管理，每次編輯都是一筆原子提交（atomic commit），Python 檔案在提交前會經過 AST 語法驗證，改錯了也能隨時回滾。

5.8 探針偵錯工作階段（11 個工具）

Probe Debug 讓 AI 代理在 HydraProbe 上開啟一個受控的偵錯工作階段，用於環境檢查與測項除錯。

5.9 測試報告（12 個工具）

5.10 產出檔案類型與後處理編譯器（4 個工具）

6. 實務應用：車用資安測試場景

HydraVision 內建多個官方測試計畫範本，涵蓋 UDS over CAN / DoIP 基礎評估、UDS 模糊測試、乙太網路安全掃描、TLS / SSH 基線檢查與實車 UDS 掃描等。搭配 MCP，工程師只要描述目標，AI 代理就能組合出完整的測試流程。以下範例中的 ID 皆為示意值。

6.1 新 ECU 上線：從建立目標到分階段測試活動

工程師輸入：「幫我在 CAN 探針上建立一個新的 BCM 目標，跑 UdsBasicCAN 測試計畫，先跑探索階段就好。」AI 代理會依 configure_new_target 流程執行：

# 1. 確認探針在線、查詢測試計畫
read_hydravision_resource(uri="hydravision://runners")
read_hydravision_resource(uri="hydravision://test_plans")

# 2. 建立目標並設定 Context（欄位先以 search_hydracore_symbols 查詢）
create_target(name="BCM_Sample", remote_runner=2)
set_context_entry(target_id=31, key="PowerSupplyUnit_0",
                  value={"cls": "PowerSupplyUnit", "channel": "PSU_1"})
set_context_entry(target_id=31, key="CanBus_0", value={...})
set_context_entry(target_id=31, key="CanSocket_0", value={...})

# 3. 啟動分階段測試活動（預設只啟用第一個範本）
start_test_plan_campaign(target_id=31, test_plan_id=10)
wait_for_campaign(campaign_id=118)

# 4. 探索完成後，由工程師確認再啟用下一階段
enable_campaign_templates(campaign_id=118, template_ids=[...])

6.2 失敗工作分診與分析師註記

測試活動結束後，工程師詢問：「這次活動哪些測項失敗？幫我分析原因並標註嚴重度。」AI 代理依 triage_failures 與 analyze_job_failure 流程：

• 以 get_campaign_status 取得失敗清單，依根因分組（例如通訊逾時、ECU 無回應、Context 缺漏）。
• 以 get_job_logs、get_job_results 讀取日誌與結果表，必要時以 get_job_timeseries 檢查掃描期間的電源曲線，判斷 ECU 是否重啟。
• 將判讀結果交由工程師確認後，以 set_job_severity 與 add_job_comment（錨定到關鍵日誌時間點）寫回 HydraVision，這些註記會自動帶入後續報告。

6.3 韌體改版後的回歸比對

ECU 韌體更新後重新執行同一組測試，再以 compare_job_runs 流程比對同一執行定義的前後兩次結果，自動列出「通過→失敗」與「失敗→通過」的項目，快速確認資安修補是否生效、是否引入新問題。

6.4 客製化測項開發：AI 輔助修改 test_case.py

當官方測項需要針對專案調整（例如加入特定的 DID 範圍或專案專屬的 Session 切換順序），AI 代理可依 fork_testcase_from_template 流程：

# 複製官方範本為本地可編輯版本
copy_job_template(template_id=72, name="IsotpScan_ProjectX")

# 查詢 HydraCore API，再以精準的行號區間修改
search_hydracore_symbols(query="IsotpSocket")
grep_template_files(template_id=412, pattern="def test_case")
replace_template_line_range(template_id=412, path="test_case.py",
                            start_line=58, end_line=64, new_content="...")

# 更新中繼資料並在虛擬 ECU 上冒煙測試
refresh_job_template_metadata(template_id=412)
run_testcase(target_id=5, template_id=412)
wait_for_job(job_id=2051)

每次修改都是一筆 Git 提交，並經 AST 語法驗證；若結果不如預期，可用 rewind_template_git_commits 一鍵回滾。建議先在 Virtual ECU（VECU）目標上驗證，再移到實體 ECU 執行。

6.5 自動產出資安測試報告

完成註記後，工程師要求：「把這次 BCM 活動的結果整理成報告。」AI 代理以 create_report_from_jobs 產生報告，讀取 report.md 撰寫摘要與改善建議，經工程師審閱修訂後，以 export_report_docx 取得 Word 下載路徑。報告內含每個測項的結果、分析師嚴重度與留言，可作為 ISO/SAE 21434 驗證活動（TARA 後的 Cybersecurity Validation）與 UNECE R155 / GB 44495 合規文件的佐證資料。

6.6 與 dSPACE VEOS / HSIL 虛擬驗證整合

HydraVision 可直接匯入 dSPACE HSIL 模擬組態，將 VEOS 中的 CAN 與乙太網路主題轉換為目標的 Context 項目，讓資安測試在虛擬 ECU 上左移（Shift-Left）執行。搭配本站《dSPACE MCP Hub》一文介紹的 VEOS MCP，AI 代理即可在同一個工作階段中啟動模擬，並由 HydraVision MCP 對虛擬 ECU 執行資安測試，打造從 SIL 到 HIL 一致的自動化流程。

7. 安全性設計

資安測試平台本身必須足夠安全。HydraVision MCP 在設計上納入多層防護：

• 
  OAuth 2.1 與權限繼承：AI 客戶端不接觸密碼，只取得 mcp scope 的存取權杖；所有操作都受登入帳號的群組權限限制，唯讀帳號也無法透過 MCP 修改任何資料。
• 
  不可信內容標記：受測 ECU 的回應、日誌、產出檔案、測項原始碼與其他使用者的留言，都可能含有惡意內容。HydraVision 會在這類回應中加上 content_provenance 與 content_warning 標記，並明確要求 AI 代理只將其視為資料、絕不當作指令執行。
• 
  分階段執行預設：測試活動預設只啟用第一階段，避免 AI 代理一次排入大量可能影響 ECU 行為的測試；具副作用的測試計畫（例如會寫回資料或觸發 RoutineControl 的掃描）在說明中皆有明確警示。
• 
  Git 版本控管與驗證：測項與報告的每次修改都是可追溯、可回滾的 Git 提交；Context 寫入前經 HydraCore JSON Schema 完整驗證，不合法的設定在儲存前就會被拒絕。
• 
  使用注意：部分測試（UDS 模糊測試、乙太網路 DoS 韌性測試等）可能影響 ECU 運作或觸發實體動作，請僅在授權的測試環境、具備適當實驗室防護措施下執行，並優先在虛擬 ECU 上驗證流程。

8. 捷策動能技術支援

Jotactic 捷策動能為 dSPACE dissecto HydraVision 在台代理與技術服務夥伴，提供：

歡迎來電 03-6109669 或來信 info@jotactic.com 洽詢。