面向网络化信息物理系统的弹性机器学习：从机器学习安全到保护 CPS 中机器学习的安全综述
密码学与安全
2021-02-16 v1 人工智能
机器学习
摘要
信息物理系统（CPS）的特点在于其能够融合物理世界与信息或网络世界。它们在关键基础设施中的部署已展现出改变世界的潜力。然而，这种潜力的发挥受其关键性质以及网络攻击对人、基础设施和环境深远影响的限制。CPS 中网络隐患的诱因之一在于通过无线通信介质将信息从传感器发送至执行器的过程，从而扩大了攻击面。传统上，CPS 安全是从利用密码学及其他访问控制技术阻止入侵者进入系统的角度来研究的。因此，大多数研究工作聚焦于 CPS 中的攻击检测。然而，在对手日益增多的世界中，完全阻止针对 CPS 的对抗性攻击变得愈发困难，因此需要关注使 CPS 具备弹性。弹性 CPS 被设计为尽管存在对手活动仍能承受干扰并保持功能。构建弹性 CPS 所探索的主导方法之一依赖于机器学习（ML）算法。然而，基于近期对抗性机器学习的研究，我们主张用于保护 CPS 的 ML 算法本身必须是弹性的。本文旨在全面综述用于 CPS 的弹性 ML 与应用于 CPS 时的弹性 CPS 之间的相互作用。本文最后给出了若干研究趋势和有前景的未来研究方向。此外，通过本文，读者可以深入理解基于 ML 的 CPS 安全与保护 ML 的最新进展及对策，以及该活跃研究领域的研究趋势。
引用
@article{arxiv.2102.07244,
title = {Resilient Machine Learning for Networked Cyber Physical Systems: A Survey for Machine Learning Security to Securing Machine Learning for CPS},
author = {Felix Olowononi and Danda B. Rawat and Chunmei Liu},
journal= {arXiv preprint arXiv:2102.07244},
year = {2021}
}