量化传感器网络中向量参数估计的最优欺骗攻击的函数形式
信息论
2016-12-21 v2 密码学与安全
math.IT
应用统计
摘要
考虑在存在欺骗攻击的情况下，从量化传感器数据估计未知确定性向量，这些攻击会改变呈现给多个传感器的数据。与以往工作不同，本文采用了一种广义攻击模型，该模型利用具有任意函数形式的变换来操纵数据，这些函数形式由某些攻击参数决定，而这些参数的值对于被攻击系统是未知的。本文首次给出了充分必要条件，在这些条件下，无论估计系统采用何种处理方式，这些变换都能在 Cramér-Rao 界（CRB）意义上提供有保证的攻击性能，从而定义了一种高度理想的攻击。有趣的是，这些条件意味着，对于任何此类攻击，当被攻击的传感器能被估计系统完美识别时，要么用于联合估计期望参数和攻击参数的 Fisher 信息矩阵（FIM）是奇异的，要么即使联合 FIM 非奇异，被攻击系统也无法通过这种联合估计来改善期望向量参数的 CRB。研究表明，通过相对于所使用的量化级别数量恰当地采用足够大维度的攻击向量参数，总是可以构造出这样一种高度理想的攻击，这在以前未被观察到。为了具体说明该理论，我们还提供了一些数值结果，这些结果证实，在高度理想的攻击下，被攻击的数据对于降低 CRB 是无用的。
引用
@article{arxiv.1605.07284,
title = {Functional Forms of Optimum Spoofing Attacks for Vector Parameter Estimation in Quantized Sensor Networks},
author = {Jiangfan Zhang and Rick S. Blum and Lance Kaplan and Xuanxuan Lu},
journal= {arXiv preprint arXiv:1605.07284},
year = {2016}
}