PHANTOM: PHysical ANamorphic Threats Obstructing Connected Vehicle Mobility
计算机视觉与模式识别
2025-12-24 v1 人工智能
密码学与安全
机器学习
摘要
连接自主车辆 (CAVs) 依赖基于视觉的深度神经网络 (DNNs) 和低延迟 (Vehicle-to-Everything) V2X 通信以安全有效地导航。尽管取得了进展，这些系统仍然易受到物理对抗攻击。本文引入 PHANTOM (PHysical ANamorphic Threats Obstructing connected vehicle Mobility)，一个用于构建和部署基于「单向畸形艺术」的视角依赖性对抗样本的新框架。PHANTOM 利用人类自然感知的几何畸形，但被高置信度误分类。与常规攻击不同，PHANTOM 在无模型访问的黑盒环境中运行，并在四种多样化检测器架构 (YOLOv5、SSD、Faster R-CNN 和 RetinaNet) 上表现出强大的可迁移性。在 CARLA 中进行的全面评估显示，PHANTOM 在最佳条件下实现超过 90% 的攻击成功率，即使在恶化环境中也保持 60-80% 的有效性。攻击在目标 6-10 米内激活，为安全机动提供了不足的时间。除了单个车辆欺骗，PHANTOM 还会在 CAV 系统中触发网络级干扰：SUMO-OMNeT++ 共模拟显示，虚假紧急消息通过 V2X 链接传播，使信息年龄峰值提高 68-89%，损害安全关键通信。这些发现揭示了 CAV 生态系统感知和通信层的关键漏洞。
引用
@article{arxiv.2512.19711,
title = {PHANTOM: PHysical ANamorphic Threats Obstructing Connected Vehicle Mobility},
author = {Md Nahid Hasan Shuvo and Moinul Hossain},
journal= {arXiv preprint arXiv:2512.19711},
year = {2025}
}