論文の概要: A Reinforcement Learning Approach for GNSS Spoofing Attack Detection of Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2108.08628v1
• Date: Thu, 19 Aug 2021 11:48:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:15:59.088875
• Title: A Reinforcement Learning Approach for GNSS Spoofing Attack Detection of Autonomous Vehicles
• Title（参考訳）: GNSSスポーフィング攻撃検出のための強化学習手法
• Authors: Sagar Dasgupta, Tonmoy Ghosh, Mizanur Rahman
• Abstract要約: 本稿では、低コストな車載センサデータを用いた深部強化学習(RL)に基づくターン・バイ・ターン・ターン・スプーフィング攻撃検出手法を開発した。 RLモデルの精度は99.99%から100%であり、リコール値は100%である。 解析結果から,RLモデルはターン・バイ・ターン・ターン・スプーフィング攻撃検出に有効であることが判明した。
• 参考スコア（独自算出の注目度）: 3.918774449495583
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A resilient and robust positioning, navigation, and timing (PNT) system is a necessity for the navigation of autonomous vehicles (AVs). Global Navigation Satelite System (GNSS) provides satellite-based PNT services. However, a spoofer can temper an authentic GNSS signal and could transmit wrong position information to an AV. Therefore, a GNSS must have the capability of real-time detection and feedback-correction of spoofing attacks related to PNT receivers, whereby it will help the end-user (autonomous vehicle in this case) to navigate safely if it falls into any compromises. This paper aims to develop a deep reinforcement learning (RL)-based turn-by-turn spoofing attack detection using low-cost in-vehicle sensor data. We have utilized Honda Driving Dataset to create attack and non-attack datasets, develop a deep RL model, and evaluate the performance of the RL-based attack detection model. We find that the accuracy of the RL model ranges from 99.99% to 100%, and the recall value is 100%. However, the precision ranges from 93.44% to 100%, and the f1 score ranges from 96.61% to 100%. Overall, the analyses reveal that the RL model is effective in turn-by-turn spoofing attack detection.
• Abstract（参考訳）: 自律走行車(AV)の航法には、レジリエントで堅牢な位置決め、ナビゲーション、タイミング(PNT)システムが必要である。 Global Navigation Satelite System (GNSS) は衛星ベースのPNTサービスを提供している。 しかし、スプーファーは本物のnss信号を刺激し、誤った位置情報をavに送信することができる。 したがって、GNSSは、PNT受信機に関連するスプーフィング攻撃をリアルタイムに検知し、フィードバック補正する能力を持たなければならない。 本稿では、低コストの車載センサデータを用いた深部強化学習(RL)によるターンバイターンスプーフィング攻撃検出の開発を目的とする。 我々はHonda Driving Datasetを利用して、攻撃および非攻撃データセットを作成し、深いRLモデルを開発し、RLに基づく攻撃検出モデルの性能を評価する。 RLモデルの精度は99.99%から100%であり、リコール値は100%である。 しかし、精度は93.44%から100%、f1スコアは96.61%から100%である。 解析結果から,RLモデルはターンバイターンスプーフィング攻撃検出に有効であることが判明した。

関連論文リスト

• GPS-IDS: An Anomaly-based GPS Spoofing Attack Detection Framework for Autonomous Vehicles [0.8906214436849204]
  GPSネットワークは、偽造や妨害といったサイバー攻撃に弱い。 これらの脅威は、AVの広範な展開によって強化されることが期待されている。 本稿では,AVに対するGPSスプーフィング攻撃を検出するGPS侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2024-05-14T06:55:16Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Unveiling the Stealthy Threat: Analyzing Slow Drift GPS Spoofing Attacks for Autonomous Vehicles in Urban Environments and Enabling the Resilience [4.898754501085215]
  この研究は、ステルスなスロードリフトGPSスプーフ攻撃を探索し、被害者のAV受信パターンを再現した。 この攻撃は、正しい経路から徐々に逸脱するように設計されており、リアルタイム検出を困難にしている。 擬似範囲を変更するとAVは混乱し、操作に不注意なまま不適切な目的地に導かれる。
  論文  参考訳（メタデータ） (2024-01-02T17:36:07Z)
• Experimental Validation of Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles [5.624009710240032]
  本稿では,自動走行車に対するセンサフュージョンを用いたスプーフィング攻撃検出フレームワークを提案する。 アラバマ州タスカルーサで実験が行われ、都市部の道路構造を模倣している。 結果は、遅いドリフト攻撃を含む様々な高度なスプーフ攻撃を検出できるフレームワークの能力を実証している。
  論文  参考訳（メタデータ） (2024-01-02T17:30:46Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Model-Agnostic Defense for Lane Detection against Adversarial Attack [0.0]
  対向路パッチに関する最近の研究は、任意の形態のレーンラインの知覚をうまく誘導している。 自動運転システムが誤認される前に、このような脅威を捕捉できるモジュラーレーン検証システムを提案する。 本実験では,単純な畳み込みニューラルネットワーク(cnn)を用いてシステムを実装することで,レーン検出モデルに対する幅広い攻撃を防御できることを示す。
  論文  参考訳（メタデータ） (2021-03-01T00:05:50Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)
• Prediction-Based GNSS Spoofing Attack Detection for Autonomous Vehicles [5.579370215490055]
  我々は,長期記憶(LSTM)モデルを用いた予測に基づくスプーフィング攻撃検出戦略を開発した。 現在の位置と直近の場所との間を走行する予測距離に基づいてしきい値を確立する。 分析の結果,予測に基づくスプーフ攻撃検出戦略により,リアルタイムで攻撃を検知できることが判明した。
  論文  参考訳（メタデータ） (2020-10-16T18:26:59Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。