随机镜像下降是否易受对抗性延迟攻击？一项交通分配韧性研究
机器学习
2023-04-04 v1 密码学与安全
摘要
智能导航系统（INS）面临着日益增多的信息攻击向量，这些攻击常在数据收集过程中通过INS与交通网络之间的通信信道进行拦截。为衡量INS的韧性，我们采用Wardrop非均衡解（WANES）的概念，其由有界次数交互内学习的概率性结果刻画。利用集中不等式论证，我们发现任何有界反馈延迟攻击在延迟镜像下降（DMD）在线学习框架下，仅使交通流轨迹上的系统性能退化至阶。这种性能退化仅需施加温和假设即可发生。我们的结果表明，即便信息结构经历特定时段的中断，基于学习的INS基础设施仍可达到Wardrop非均衡。这些发现为在不同层面的交通生态系统中设计抵御可能的干扰攻击的防御机制提供了宝贵见解。
引用
@article{arxiv.2304.01161,
title = {Is Stochastic Mirror Descent Vulnerable to Adversarial Delay Attacks? A Traffic Assignment Resilience Study},
author = {Yunian Pan and Tao Li and Quanyan Zhu},
journal= {arXiv preprint arXiv:2304.01161},
year = {2023}
}
备注
Preprint under review