GFCL：一种基于GRU的联邦持续学习框架以抵御车联网中的数据投毒攻击
机器学习
2024-10-28 v2 人工智能
密码学与安全
摘要
将机器学习(ML)集成到基于5G的车联网(IoV)网络中已实现智能交通与智能交通管理。然而，针对对抗性投毒攻击的安全性也日益成为一项挑战性任务。具体而言，深度强化学习(DRL)是IoV应用中广泛使用的ML设计之一。标准ML安全技术在DRL中并不有效，因为算法通过与环境持续交互学习解决序贯决策，且环境是时变、动态且移动的。本文中，我们提出一种基于门控循环单元(GRU)的联邦持续学习(GFCL)异常检测框架，以抵御IoV中基于Sybil的数据投毒攻击。目标是呈现一种轻量且可扩展的框架，其在无由攻击样本组成的先验训练数据集情况下学习并检测非法行为。我们利用GRU预测未来数据序列，以基于联邦学习的分布式方式分析并检测来自车辆的非法行为。我们使用真实世界车辆移动轨迹研究了框架性能。结果从不同性能指标上证明了我们所提方案的有效性。
引用
@article{arxiv.2204.11010,
title = {GFCL: A GRU-based Federated Continual Learning Framework against Data Poisoning Attacks in IoV},
author = {Anum Talpur and Mohan Gurusamy},
journal= {arXiv preprint arXiv:2204.11010},
year = {2024}
}
备注
11 pages, 12 figures, 3 tables; This work has been submitted to the IEEE Transactions on Vehicular Technology for possible publication