利用合谋车辆攻击基于深度强化学习的交通信号控制系统
机器学习
2021-11-05 v1 人工智能
密码学与安全
摘要
物联网和人工智能的快速发展促进了智慧城市自适应交通信号控制系统（ATCS）的发展。特别是，深度强化学习（DRL）方法产生了最先进的性能，并具有巨大的实际应用潜力。在现有的基于 DRL 的 ATCS 中，受控信号从附近车辆收集交通状态信息，然后可以根据收集到的信息确定最佳动作（例如，切换相位）。DRL 模型完全“信任”车辆正在向信号发送真实信息，这使得 ATCS 容易受到带有伪造信息的对抗攻击。鉴于此，本文首次提出了一项新任务，即一组车辆可以合作向基于 DRL 的 ATCS 发送伪造信息以“欺骗”它，从而节省其总行驶时间。为了解决所提出的任务，我们开发了 CollusionVeh，这是一个通用且有效的车辆合谋框架，由路况编码器、车辆解释器和通信机制组成。我们采用我们的方法攻击已建立的基于 DRL 的 ATCS，并证明在合理数量的学习回合内，合谋车辆的总行驶时间可以显著减少，并且如果合谋车辆数量增加，合谋效果将会降低。此外，还提供了关于基于 DRL 的 ATCS 现实部署的见解和建议。研究成果有助于提高 ATCS 的可靠性和鲁棒性，并更好地保护智慧出行系统。
引用
@article{arxiv.2111.02845,
title = {Attacking Deep Reinforcement Learning-Based Traffic Signal Control Systems with Colluding Vehicles},
author = {Ao Qu and Yihong Tang and Wei Ma},
journal= {arXiv preprint arXiv:2111.02845},
year = {2021}
}