自主网联车辆的信息物理安全与安全性：最优控制遇见多臂老虎机学习
系统与控制
2018-12-14 v1 机器学习
摘要
自主网联车辆(ACVs)依赖车载传感器(如相机与雷达)以及车际通信来有效运行。这种对信息组件的依赖使ACVs暴露于网络与物理攻击之下，攻击者可在其中操纵传感器读数并物理接管ACV。本文提出一个综合框架以抵御ACV网络上的网络与物理攻击。首先，推导ACVs的最优安全控制器，通过优化ACV速度与ACV间距来最大化街道交通流同时最小化事故风险。证明所提控制器对旨在使ACV系统失稳的物理攻击具有鲁棒性。为提升ACV系统的信息物理安全性，进而提出数据注入攻击(DIA)检测方法来应对针对传感器的网络攻击及其对ACV系统的物理影响。为全面设计DIA检测方法，依据关于传感器数据先验信息的可用性将ACV传感器分为两类。对于有先验信息的传感器，提出一种DIA检测方法，并推导传感器数据实际值与估计值之差的最优阈值水平，使ACV能抵御网络攻击。对于无先验信息的传感器，提出一种新颖的多臂老虎机(MAB)算法以使ACV安全控制其运动。仿真结果表明，所提最优安全控制器通过最大化ACVs对物理攻击的鲁棒性优于当前最先进控制器。结果还表明，与卡尔曼滤波相比，所提DIA检测方法能提升ACV传感器对网络攻击的安全性，并最终改善ACV系统的物理鲁棒性。
引用
@article{arxiv.1812.05298,
title = {Cyber-Physical Security and Safety of Autonomous Connected Vehicles: Optimal Control Meets Multi-Armed Bandit Learning},
author = {Aidin Ferdowsi and Samad Ali and Walid Saad and Narayan B. Mandayam},
journal= {arXiv preprint arXiv:1812.05298},
year = {2018}
}
备注
30 pages, 11 figures