DODEM：面向安全工业物联网分析的双重防御机制以抵御对抗攻击
密码学与安全
2023-01-25 v1 机器学习
摘要
工业物联网（I-IoT）是设备、传感器与网络设备的协作，用于监测和收集工业操作数据。机器学习（ML）方法利用这些数据以最小的人为干预做出高层决策。数据驱动的预测性维护（PDM）是一种关键的基于 ML 的 I-IoT 应用，用于为工业资产寻找最优维护计划。这些 ML 方法的性能可能受到对抗攻击的严重威胁，攻击者精心构造扰动数据并发送至 ML 模型以恶化其预测性能。模型应能对这类攻击保持鲁棒，鲁棒性由输入数据的扰动在多大程度上影响模型性能来衡量。因此，需要有效的防御机制来保护这些模型免受对抗攻击。本工作中，我们提出一种双重防御机制，用于检测并缓解 I-IoT 环境中的对抗攻击。我们首先使用新颖性检测算法检测给定样本是否遭受对抗攻击。随后，基于算法将实例标记为攻击或正常的输出，我们选择对抗重训练或标准训练以提供第二层防御。若存在攻击，对抗重训练提供更鲁棒的模型，而对常规样本我们采用标准训练。由于可能无法预知攻击是否发生，我们的自适应机制允许我们考虑数据中的不规则变化。结果表明，我们的双重防御策略极为高效，相较于标准训练和对抗重训练，模型鲁棒性分别提升高达 64.6% 和 52%。
引用
@article{arxiv.2301.09740,
title = {DODEM: DOuble DEfense Mechanism Against Adversarial Attacks Towards Secure Industrial Internet of Things Analytics},
author = {Onat Gungor and Tajana Rosing and Baris Aksanli},
journal= {arXiv preprint arXiv:2301.09740},
year = {2023}
}