En este estudio, se están intentando vehículos autónomos alrededor del mundo. Sin embargo, el hacking, como los ECUs en los automóviles, crea problemas que están directamente conectados a la vida humana. Por lo tanto, este estudio escribió un documento que detecta anomalías en dichos vehículos por campo. Como estudio relacionado, se investigaron las vulnerabilidades del comité de seguridad automotriz y los estándares de seguridad automotriz, y se investigó la detección de anomalías en el hackeo de autos geo-tren utilizando LSTM de inteligencia artificial y el algoritmo de consenso blockchain. Además, en seguridad automotriz, se estudió un algoritmo para predecir valores normales y anormales utilizando técnicas de detección de anomalías basadas en LSTM bajo la premisa de que las redes de comunicación automotriz están mayormente divididas en redes internas y externas. En la metodología, se utilizó la técnica de detección de código malicioso de propagación pura de LSTM, y se trabajó con un algoritmo de consenso de inteligencia artificial para aumentar la seguridad. Además, Unity ML realizó un experimento construyendo un entorno virtual utilizando la versión Beta. La red de nodos de consenso blockchain de LSTM estaba compuesta por 50,000 procesos para comparar el rendimiento. Por primera vez, se probaron 100 Grouped Tx, 500 Channels para el rendimiento. Por primera vez, se verificó la tasa de detección de código malicioso del sistema existente. Se verificaron los valores de Acelerador, Multicanal, Fragmentación, Raiden, Plasma y Trubit, y se obtuvieron valores de aproximadamente 15,000 a 50,000. En este documento, se estudió para convertirse en un documento de gran importancia sobre el hackeo que amenaza la vida humana con el desarrollo de vehículos autónomos en el futuro.