针对数字孪生的白盒对抗攻击
密码学与安全
2024-01-22 v1 人工智能
机器学习
摘要
近期研究表明，机器学习/深度学习（ML/DL）模型尤其易受对抗扰动的攻击，对抗扰动是对输入数据做出的微小改动，旨在欺骗机器学习分类器。数字孪生通常由物理实体、虚拟对应体以及两者之间的数据连接构成，正日益被研究作为一种借助虚拟对应体所赋能的计算技术来提升物理实体性能的手段。本文探讨了作为信息物理系统（CPS）运行、使用ML/DL分类器精确反映物理对象的数字孪生（DT）对对抗攻击的易感性。作为概念验证，我们首先利用深度神经网络架构构建车辆系统的数字孪生，然后利用它发起对抗攻击。我们通过扰动训练模型的输入来攻击数字孪生模型，并展示了该模型在白盒攻击下是多么容易被攻破。
引用
@article{arxiv.2210.14018,
title = {A White-Box Adversarial Attack Against a Digital Twin},
author = {Wilson Patterson and Ivan Fernandez and Subash Neupane and Milan Parmar and Sudip Mittal and Shahram Rahimi},
journal= {arXiv preprint arXiv:2210.14018},
year = {2024}
}