中文

基于深度强化学习的数字孪生自动化隐蔽磨损攻击

密码学与安全 2026-07-12 v1
作者: Joshua Haworth , Aryan Pasikhani , George Pavlides , Prosanta Gope , John Clark
在 arXiv 上查看 ↗ PDF ↗

摘要

数字孪生（DT）已成为工业4.0的关键推动者，提供了实时监控、高级仿真和对物理资产的精确控制等变革性能力。通过连接物理域和虚拟域，DT促进了数据驱动决策和运营优化的无缝集成。然而，这种无缝交互显著扩大了工业系统的攻击面，创造了对手可以利用的漏洞。本文介绍了一种新颖且隐蔽的磨损攻击，利用深度强化学习（DRL）来针对支持DT的基础设施。对手策略性地且隐蔽地操纵控制信号，诱导特定关节上的扭矩增加以加速磨损，同时逃避最先进的异常检测系统的检测。对强化学习算法（包括双延迟深度确定性策略梯度（TD3）、软演员-评论家（SAC）、近端策略优化（PPO）和优势演员-评论家（A2C））的广泛基准测试表明，SAC在样本效率、稳定性和整体攻击有效性方面始终优于同类算法。我们使用UR10e机械臂在工业环境中评估了所提出的对手。结果表明，对手能够显著提高目标关节的扭矩水平，导致加速退化并增加维护成本，同时保持隐蔽并避免检测。我们的发现强调了DRL驱动的对手对支持DT的环境构成的重大风险，并强调了需要强大的防御机制来保护关键工业系统。

关键词

数字孪生 深度强化学习 磨损攻击 隐蔽攻击 工业控制系统 异常检测规避

引用

@article{arxiv.2607.10830,
  title  = {Automated Stealthy Wear-Out Attack on Digital Twins With Deep Reinforcement Learning},
  author = {Joshua Haworth and Aryan Pasikhani and George Pavlides and Prosanta Gope and John Clark},
  journal= {arXiv preprint arXiv:2607.10830},
  year   = {2026}
}