論文の概要: Requiem for a drone: a machine-learning based framework for stealthy attacks against unmanned autonomous vehicles
- arxiv url: http://arxiv.org/abs/2407.15003v1
- Date: Sat, 20 Jul 2024 22:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 19:38:36.977746
- Title: Requiem for a drone: a machine-learning based framework for stealthy attacks against unmanned autonomous vehicles
- Title（参考訳）: 無人無人機に対するステルス攻撃のための機械学習ベースのフレームワークRequiem for a Drone
- Authors: Kyo Hyun Kim, Denizhan Kara, Vineetha Paruchuri, Sibin Mohan, Greg Kimberly, Jae Kim, Josh Eckhardt,
- Abstract要約: ソフトウェアのみのブラックボックスアプローチであるRequiemを紹介します。
レキエムは、無人航空機(UAV)などの目標システムをミッションパラメータから著しく逸脱させる。
本システムは,搭載型異常検知器による検出を回避しつつ,センサ値を変更することでこれを実現している。
- 参考スコア（独自算出の注目度）: 1.9897351551988292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a space of uncertainty in the modeling of vehicular dynamics of autonomous systems due to noise in sensor readings, environmental factors or modeling errors. We present Requiem, a software-only, blackbox approach that exploits this space in a stealthy manner causing target systems, e.g., unmanned aerial vehicles (UAVs), to significantly deviate from their mission parameters. Our system achieves this by modifying sensor values, all while avoiding detection by onboard anomaly detectors (hence, "stealthy"). The Requiem framework uses a combination of multiple deep learning models (that we refer to as "surrogates" and "spoofers") coupled with extensive, realistic simulations on a software-in-the-loop quadrotor UAV system. Requiem makes no assumptions about either the (types of) sensors or the onboard state estimation algorithm(s) -- it works so long as the latter is "learnable". We demonstrate the effectiveness of our system using various attacks across multiple missions as well as multiple sets of statistical analyses. We show that Requiem successfully exploits the modeling errors (i.e., causes significant deviations from planned mission parameters) while remaining stealthy (no detection even after {tens of meters of deviations}) and are generalizable (Requiem has potential to work across different attacks and sensor types).
- Abstract（参考訳）: センサリーダのノイズや環境要因,あるいはモデル誤差による自律システムの車体力学のモデル化には,不確実性が存在する。
ソフトウェアのみのブラックボックスアプローチであるRequiemは、この空間をステルスな方法で利用し、例えば無人航空機(UAV)の目標システムをミッションパラメータから著しく逸脱させる。
本システムでは, センサの値を変更することで, 異常検出装置による検出を回避しつつ, センサ値の修正を行う。
Requiemフレームワークは、複数のディープラーニングモデル("サロゲート"と"スプーン"と呼ぶ)の組み合わせと、ソフトウェア・イン・ザ・ループ四重項UAVシステムにおける広範囲で現実的なシミュレーションを使用する。
Requiemは、センサー(タイプの)とオンボード状態推定アルゴリズム(s)のどちらについても仮定しない。
複数のミッションにまたがる様々な攻撃と,複数の統計分析を用いたシステムの有効性を実証する。
我々は、Requiemがモデリングエラー(すなわち、計画されたミッションパラメータから重大な逸脱を引き起こす)をうまく利用し、ステルス性を維持しながら({tens ofmeters} 以降も検出されない)、一般化可能であることを示した。
関連論文リスト
- Reward Finetuning for Faster and More Accurate Unsupervised Object
Discovery [64.41455104593304]
Reinforcement Learning from Human Feedback (RLHF)は、機械学習モデルを改善し、それを人間の好みに合わせる。
本稿では,RL法と類似した手法を非教師対象発見に適用することを提案する。
私たちは、我々のアプローチがより正確であるだけでなく、訓練よりも桁違いに高速であることを示した。
論文 参考訳（メタデータ） (2023-10-29T17:03:12Z) - RLaGA: A Reinforcement Learning Augmented Genetic Algorithm For
Searching Real and Diverse Marker-Based Landing Violations [0.7709288517758135]
安全性を確保するために、実際の世界にデプロイする前に、自動ランディングシステムを完全にテストすることが重要です。
本稿では、強化学習(RL)拡張検索ベースのテストフレームワークであるRLaGAを提案する。
本手法は, 最大22.19%の違反事例を発生し, 発生した違反事例の多様性をほぼ2倍に向上させる。
論文 参考訳（メタデータ） (2023-10-11T10:54:01Z) - Explaining RADAR features for detecting spoofing attacks in Connected
Autonomous Vehicles [2.8153045998456188]
コネクテッド・自動運転車(CAV)は、サイバー攻撃から守るためのAIシステムが組み込まれていると期待されている。
機械学習(ML)モデルは、このようなAIシステムの基盤となる。
本稿では,センサ入力におけるテキストの不確かさとテキスト不確かさを説明するモデルを提案する。
論文 参考訳（メタデータ） (2022-03-01T00:11:46Z) - Fooling the Eyes of Autonomous Vehicles: Robust Physical Adversarial
Examples Against Traffic Sign Recognition Systems [10.310327880799017]
逆例(AE)はディープニューラルネットワーク(DNN)を騙すことができる
本稿では,実世界の物体検出装置に対して,ロバストな物理AEを生成するための系統的パイプラインを提案する。
YOLO v5ベースの交通信号認識システムを攻撃する場合, パイプラインから生成された物理AEは有効かつ堅牢であることを示す実験を行った。
論文 参考訳（メタデータ） (2022-01-17T03:24:31Z) - Small Object Detection using Deep Learning [0.28675177318965034]
提案システムは,高速物体検出モデル(YOLO)のフレーバーであるTiny YOLOv3(Tiny YOLOv3)を構築・使用した。
提案したアーキテクチャは、以前のYOLOバージョンに比べて大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-01-10T09:58:25Z) - A dataset for multi-sensor drone detection [67.75999072448555]
近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。
ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。
我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
論文 参考訳（メタデータ） (2021-11-02T20:52:03Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - A Flow Base Bi-path Network for Cross-scene Video Crowd Understanding in
Aerial View [93.23947591795897]
本稿では,これらの課題に対処し,ドローンから収集した視覚的データから参加者を自動的に理解する。
クロスシーンテストで発生する背景雑音を軽減するために, 二重ストリーム群カウントモデルを提案する。
極暗環境下での集団密度推定問題に対処するために,ゲームグランドセフトオートV(GTAV)によって生成された合成データを導入する。
論文 参考訳（メタデータ） (2020-09-29T01:48:24Z) - On Adversarial Examples and Stealth Attacks in Artificial Intelligence
Systems [62.997667081978825]
本稿では,汎用人工知能(AI)システムに対する2種類の多元性行動の評価と分析を行うための公式な枠組みを提案する。
最初のクラスは、逆例を含み、誤分類を引き起こす入力データの小さな摂動の導入を懸念する。
第2のクラスは、ここで初めて導入され、ステルス攻撃と名付けられたもので、AIシステム自体に対する小さな摂動を伴う。
論文 参考訳（メタデータ） (2020-04-09T10:56:53Z) - On-board Deep-learning-based Unmanned Aerial Vehicle Fault Cause
Detection and Identification [6.585891825257162]
本稿では,センサデータに基づいてドローンの誤操作を検出し,分類する新しいアーキテクチャを提案する。
提案したディープラーニングアーキテクチャを,実機でのシミュレーションと実験により検証する。
我々のソリューションは90%以上の精度で検出でき、様々な種類のドローンの誤動作を分類できる。
論文 参考訳（メタデータ） (2020-04-03T22:46:34Z) - 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。