基于联邦学习系统的网联自动驾驶车辆中的网络安全威胁
密码学与安全
2021-06-07 v3 机器学习
摘要
联邦学习（FL）是一种机器学习技术，旨在跨持有本地私有数据的去中心化实体训练算法。无线移动网络允许用户与其他固定或移动用户通信。道路交通网络代表了无线移动网络的一种基于基础设施的配置，其中网联自动驾驶车辆（CAV）代表通信实体。在无线移动网络环境中应用 FL 会在移动环境中引发一种与传统固定网络截然不同的新威胁。该威胁源于无线介质的内在特性，并由车辆网络的高节点移动性和快速变化的拓扑等特性所导致。大多数网络防御技术依赖于高度可靠且连通的网络。本文探讨了针对在 RSU 上进行的 FL 过程的虚假信息攻击。我们识别了恶意 CAV 为破坏车辆网络中全局模型训练而实施的多种攻击策略。我们表明这些攻击能够增加收敛时间并降低模型精度。我们证明了我们的攻击以其基本形式绕过了 FL 防御策略，并强调了未来道路网络无线移动环境中需要新颖的投毒弹性防御机制。
引用
@article{arxiv.2102.13256,
title = {Cybersecurity Threats in Connected and Automated Vehicles based Federated Learning Systems},
author = {Ranwa Al Mallah and Godwin Badu-Marfo and Bilal Farooq},
journal= {arXiv preprint arXiv:2102.13256},
year = {2021}
}