基于对抗机器学习的车对微电网服务威胁预判
密码学与安全
2023-08-22 v1 人工智能
摘要
在本文中，我们研究了对抗机器学习（AML）不断扩大的攻击面以及针对车对微电网（V2M）服务的潜在攻击。我们提出了一种多阶段灰盒攻击的预判性研究，该攻击可达到与白盒攻击相当的效果。对抗者的目标是欺骗网络边缘的目标机器学习（ML）分类器，使其对来自微电网的传入能量请求进行误分类。通过推理攻击，对抗者可从智能微电网与 5G gNodeB 之间的通信中收集实时数据，以训练边缘处目标分类器的替代（即影子）模型。为预判对抗者收集实时数据实例能力的相关影响，我们研究了五种不同情况，每种代表对抗者收集的不同数量的实时数据实例。在完整数据集上训练的六个 ML 模型中，K-近邻（K-NN）被选为替代模型，并通过仿真证明，多阶段灰盒攻击能够误导 ML 分类器，且在使用比白盒攻击达到类似误避率（EIR）所需数据少 40% 的情况下，实现高达 73.2% 的误避率（EIR）提升。
引用
@article{arxiv.2208.05073,
title = {Adversarial Machine Learning-Based Anticipation of Threats Against Vehicle-to-Microgrid Services},
author = {Ahmed Omara and Burak Kantarci},
journal= {arXiv preprint arXiv:2208.05073},
year = {2023}
}
备注
IEEE Global Communications Conference (Globecom), 2022, 6 pages, 2 Figures, 4 Tables