基于强化学习的联网交通系统中自适应交通信号控制器网络攻击模型

在联网交通系统中，自适应交通信号控制器（ATSC）利用通过无线连接（即联网车辆）从车辆接收到的实时车辆轨迹数据来调节绿灯时间。然而，这种无线连接的 ATSC 增加了网络攻击面，并增加了其对各种网络攻击模式的脆弱性，这些攻击可被用来在道路网络中引发显著拥堵。攻击者可能获得经济利益，从而为特定道路制造此类拥堵。其中一种模式是“女巫（sybil）”攻击，其中攻击者通过生成模仿遵循道路交通规则的实际联网车辆的假基本安全消息（BSM）来在网络中创建虚假车辆。攻击者的终极目标是以这样一种速率生成虚假或“女巫”车辆，使得信号配时和相位变化发生而不标记车辆数量的任何突变，从而阻塞一条或多条路线。由于车辆到达率与 ATSC 算法高度非线性和不可预测的性质，很难找到从不同进口道注入的女巫车辆的最优速率。因此，有必要开发一种智能网络攻击模型来证明此类攻击的存在。在本研究中，针对基于等待时间的 ATSC 开发了一种基于强化学习的网络攻击模型。具体而言，训练一个 RL 智能体来学习用于为某进口道（或多条进口道）制造拥堵的女巫车辆注入最优速率。我们的分析表明，RL 智能体能够学习到用于制造智能攻击的最优策略。