深度强化学习的对抗攻击挑战与对策
机器学习
2021-09-09 v2 人工智能
密码学与安全
摘要
深度强化学习（DRL）凭借其快速适应周围环境而出色的的能力，在现实世界中有众多应用。尽管具有巨大优势，DRL 易受对抗攻击，这阻碍了其在现实关键系统与应用（例如智能电网、交通控制和自动驾驶车辆）中的使用，除非其漏洞得到解决与缓解。因此，本文提供一项全面综述，讨论基于 DRL 的系统中新出现的攻击以及防御这些攻击的潜在对策。我们首先介绍 DRL 的一些基础背景，并呈现机器学习技术中新出现的对抗攻击。随后，我们更深入地研究攻击者可用于攻击 DRL 的漏洞细节，以及防止此类攻击的最先进对策。最后，我们强调为开发处理基于 DRL 的智能系统攻击的解决方案而存在的开放问题与研究挑战。
引用
@article{arxiv.2001.09684,
title = {Challenges and Countermeasures for Adversarial Attacks on Deep Reinforcement Learning},
author = {Inaam Ilahi and Muhammad Usama and Junaid Qadir and Muhammad Umar Janjua and Ala Al-Fuqaha and Dinh Thai Hoang and Dusit Niyato},
journal= {arXiv preprint arXiv:2001.09684},
year = {2021}
}