用于检测交通路由中虚假数据注入攻击的对抗强化学习
人工智能
2026-03-13 v1 密码学与安全
摘要
在现代交通网络中，敌人可以通过虚假数据注入攻击（例如，使用多个运行众包导航应用程序的设备模拟繁重交通）来操纵路由算法，从而误导车辆采取次优路径并增加拥堵。为应对此类威胁，我们在攻击者注入此类扰动与防御者基于观察网络边缘旅行时间检测异常之间构建了一个策略性零和博弈。我们提出一种基于多主体强化学习的计算方法，用于计算该博弈的纳什均衡，提供最优检测策略，确保即使在攻击存在的情况下，总旅行时间也保持在最坏情况界限内。我们 presented extensive experimental evaluation，表明该方法的鲁棒性和实际效益，为改善交通网络抵御虚假数据注入提供了强大的框架。特别是，我们展示了该方法产生的近似均衡策略在攻击者和防御者方面均显著优于基准方法。
引用
@article{arxiv.2603.11433,
title = {Adversarial Reinforcement Learning for Detecting False Data Injection Attacks in Vehicular Routing},
author = {Taha Eghtesad and Yevgeniy Vorobeychik and Aron Laszka},
journal= {arXiv preprint arXiv:2603.11433},
year = {2026}
}