用于评估交通网络虚假数据注入攻击的多智能体强化学习
人工智能
2024-03-08 v2 密码学与安全
机器学习
摘要
驾驶员对导航应用的日益依赖使得交通网络更容易受到恶意行为者的数据操纵攻击。攻击者可能利用导航服务数据收集或处理中的漏洞注入虚假信息，从而干扰驾驶员的路线选择。此类攻击会显著增加交通拥堵，导致时间和资源的大量浪费，甚至可能中断依赖道路网络的基本服务。为了评估此类攻击构成的威胁，我们引入了一个计算框架，用于寻找针对交通网络的最坏情况数据注入攻击。首先，我们设计了一个对抗模型，其中威胁行为者可以通过增加驾驶员在某些道路上感知到的行驶时间来操纵他们。然后，我们采用分层多智能体强化学习来寻找近似最优的数据操纵对抗策略。我们通过对苏福尔斯（北达科他州）网络拓扑进行攻击模拟，展示了我们方法的适用性。
引用
@article{arxiv.2312.14625,
title = {Multi-Agent Reinforcement Learning for Assessing False-Data Injection Attacks on Transportation Networks},
author = {Taha Eghtesad and Sirui Li and Yevgeniy Vorobeychik and Aron Laszka},
journal= {arXiv preprint arXiv:2312.14625},
year = {2024}
}