用于汽车信息物理系统异常检测的深度 RBF 网络
机器学习
2021-08-25 v2 人工智能
摘要
深度神经网络（DNN）被广泛用于实现汽车信息物理系统（CPS）中的自主相关任务。然而，这些网络已被证明会对异常输入做出错误预测，异常输入或由分布外（OOD）数据引起，或由对抗攻击引起。为检测这些异常，常训练一个称为保证监视器的独立 DNN 并与控制器 DNN 并行使用，这增加了资源负担与延迟。我们假设，一个既能执行控制器预测又能进行异常检测的单网络对于降低资源需求是必要的。深度径向基函数（RBF）网络在类别预测之外提供一个拒绝类，可用于在运行时检测异常。然而，RBF 激活函数的使用将这些网络的适用性限制于仅分类任务。本文展示了深度 RBF 网络如何用于检测 CPS 回归任务（如连续转向预测）中的异常。进一步，我们使用流行的 DNN（如 NVIDIA DAVE-II 与 ResNet20）设计深度 RBF 网络，并利用所得拒绝类检测物理攻击与数据投毒攻击等对抗攻击。最后，我们使用称为 DeepNNCar 的硬件 CPS 测试台与真实世界德国交通标志基准（GTSB）数据集评估这些攻击与训练的深度 RBF 网络。我们的结果表明，深度 RBF 网络可在短时间内鲁棒检测这些攻击而无需额外资源需求。
引用
@article{arxiv.2103.14172,
title = {Deep-RBF Networks for Anomaly Detection in Automotive Cyber-Physical Systems},
author = {Matthew Burruss and Shreyas Ramakrishna and Abhishek Dubey},
journal= {arXiv preprint arXiv:2103.14172},
year = {2021}
}
备注
Paper accepted at Smartcomp 2021