一种用于自动驾驶车辆GNSS欺骗攻击检测的强化学习方法
信号处理
2022-08-30 v1 机器学习
摘要
弹性且鲁棒的定位、导航与授时(PNT)系统是自动驾驶车辆(AV)导航的必备条件。全球导航卫星系统(GNSS)提供基于卫星的PNT服务。然而，欺骗者可以篡改真实的GNSS信号，并向AV发送错误的位置信息。因此，GNSS必须具备对与PNT接收机相关的欺骗攻击进行实时检测与反馈校正的能力，从而在终端用户(此处为自动驾驶车辆)遭遇任何妥协时助其安全导航。本文旨在利用低成本车载传感器数据，开发一种基于深度强化学习(RL)的逐转弯欺骗攻击检测。我们利用Honda Driving Dataset创建攻击与非攻击数据集，构建深度RL模型，并评估该基于RL的攻击检测模型的性能。我们发现RL模型的准确率在99.99%至100%之间，召回率为100%。而精确率在93.44%至100%之间，f1分数在96.61%至100%之间。总体而言，分析表明该RL模型在逐转弯欺骗攻击检测中是有效的。
引用
@article{arxiv.2108.08628,
title = {A Reinforcement Learning Approach for GNSS Spoofing Attack Detection of Autonomous Vehicles},
author = {Sagar Dasgupta and Tonmoy Ghosh and Mizanur Rahman},
journal= {arXiv preprint arXiv:2108.08628},
year = {2022}
}