基于强化学习的网络物理系统自动化敌手仿真
机器学习
2020-11-10 v1 系统与控制
系统与控制
摘要
敌手仿真是一种进攻性演练，可对一个系统抵御网络攻击的韧性提供全面评估。然而，敌手仿真通常是一个手动过程，使其难以在具有复杂动力学、漏洞与运行不确定性的网络物理系统（CPS）中部署且成本高昂。本文中，我们开发了一种面向 CPS 的自动化、领域感知敌手仿真方法。我们建立了一个马尔可夫决策过程（MDP）模型，以在具有网络（离散）与物理（连续）组件及相关物理动力学的混合攻击图上确定最优攻击序列。我们应用基于模型与无模型的强化学习（RL）方法以可处理的方式求解该离散-连续 MDP。作为基线，我们还开发了贪婪攻击算法，并与 RL 方法进行比较。我们通过针对建筑中传感器欺骗攻击的数值研究总结我们的发现，以比较所提算法的性能与解质量。
引用
@article{arxiv.2011.04635,
title = {Automated Adversary Emulation for Cyber-Physical Systems via Reinforcement Learning},
author = {Arnab Bhattacharya and Thiagarajan Ramachandran and Sandeep Banik and Chase P. Dowling and Shaunak D. Bopardikar},
journal= {arXiv preprint arXiv:2011.04635},
year = {2020}
}
备注
To appear in the Proceedings of the 18th IEEE International Conference on Intelligence and Security Informatics (2020)