针对车联网中深度强化学习框架的对抗攻击
机器学习
2022-02-10 v2 人工智能
密码学与安全
摘要
机器学习（ML）在广泛的车载应用中产生了令人难以置信的影响与变革。随着 ML 在车联网（IoV）中的使用持续进步，对抗威胁及其影响已成为值得探索的重要研究课题。在本文中，我们聚焦于针对深度强化学习（DRL）辅助 IoV 框架的基于 Sybil 的对抗威胁，更具体地，是针对 IoV 中基于 DRL 的动态服务放置。我们利用真实车辆轨迹开展实验研究，以分析在不同攻击场景下基于 DRL 的动态服务放置应用的业务时延与资源拥塞影响。我们进一步考察了网络中受 Sybil 攻击车辆比例的影响。结果表明，与无对抗的健康网络场景相比，基于 Sybil 的数据投毒攻击使性能受到显著影响。
引用
@article{arxiv.2108.00833,
title = {Adversarial Attacks Against Deep Reinforcement Learning Framework in Internet of Vehicles},
author = {Anum Talpur and Mohan Gurusamy},
journal= {arXiv preprint arXiv:2108.00833},
year = {2022}
}
备注
Accepted in IEEE Global Communications Conference (GLOBECOM) 2021