論文の概要: Sensor Deprivation Attacks for Stealthy UAV Manipulation

• arxiv url: http://arxiv.org/abs/2410.11131v1
• Date: Mon, 14 Oct 2024 23:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:00:15.996252
• Title: Sensor Deprivation Attacks for Stealthy UAV Manipulation
• Title（参考訳）: ステルス性UAVマニピュレーションのためのセンサ切断攻撃
• Authors: Alessandro Erba, John H. Castellanos, Sahil Sihag, Saman Zonouz, Nils Ole Tippenhauer,
• Abstract要約: 無人航空機は最先端の制御アルゴリズムを用いて自律的にタスクを実行する。 本稿では,マルチパートを提案する。 センサー分離攻撃 (Sensor Deprivation Attacks, SDA) - 極秘に影響を及ぼす攻撃。 センサーのリコンフィグレーションによる プロセス制御
• 参考スコア（独自算出の注目度）: 51.9034385791934
• License:
• Abstract: Unmanned Aerial Vehicles autonomously perform tasks with the use of state-of-the-art control algorithms. These control algorithms rely on the freshness and correctness of sensor readings. Incorrect control actions lead to catastrophic destabilization of the process. In this work, we propose a multi-part \emph{Sensor Deprivation Attacks} (SDAs), aiming to stealthily impact process control via sensor reconfiguration. In the first part, the attacker will inject messages on local buses that connect to the sensor. The injected message reconfigures the sensors, e.g.,~to suspend the sensing. In the second part, those manipulation primitives are selectively used to cause adversarial sensor values at the controller, transparently to the data consumer. In the third part, the manipulated sensor values lead to unwanted control actions (e.g. a drone crash). We experimentally investigate all three parts of our proposed attack. Our findings show that i)~reconfiguring sensors can have surprising effects on reported sensor values, and ii)~the attacker can stall the overall Kalman Filter state estimation, leading to a complete stop of control computations. As a result, the UAV becomes destabilized, leading to a crash or significant deviation from its planned trajectory (over 30 meters). We also propose an attack synthesis methodology that optimizes the timing of these SDA manipulations, maximizing their impact. Notably, our results demonstrate that these SDAs evade detection by state-of-the-art UAV anomaly detectors. Our work shows that attacks on sensors are not limited to continuously inducing random measurements, and demonstrate that sensor reconfiguration can completely stall the drone controller. In our experiments, state-of-the-art UAV controller software and countermeasures are unable to handle such manipulations. Hence, we also discuss new corresponding countermeasures.
• Abstract（参考訳）: 無人航空機は最先端の制御アルゴリズムを用いて自律的にタスクを実行する。 これらの制御アルゴリズムは、センサ読み取りの鮮度と正確性に依存している。 誤った制御動作は、プロセスの破滅的な不安定化につながる。 本研究では,センサ再構成によるプロセス制御をひそかに制御することを目的とした,マルチパートのemph{Sensor Deprivation Attacks} (SDAs)を提案する。 まず最初に、攻撃者はセンサーに接続するローカルバスにメッセージを注入する。 注入されたメッセージは、センサーを再設定する。 第2部では、これらの操作プリミティブを選択的に使用して、データコンシューマに対して透過的に、コントローラの対角センサー値を生成する。 第3部では、操作されたセンサーの値が、望ましくないコントロールアクション(ドローンのクラッシュなど)につながる。 提案攻撃の3つの部分について実験的に検討した。 以上の結果から 一 センサの再構成は、報告されたセンサ値に驚くべき影響を及ぼすことができる。 i)~攻撃者は全体のカルマンフィルタの状態推定を停止させ、制御計算を完全に停止させる。 その結果、UAVは不安定となり、計画された軌道(30m以上)からの衝突や大きな逸脱につながった。 また,これらのSDA操作のタイミングを最適化し,その影響を最大化する攻撃合成手法を提案する。 特に,これらのSDAは,最先端のUAV異常検出器による検出を回避していることを示す。 我々の研究は、センサに対する攻撃は、連続的にランダムな測定を誘導することに限定されていないことを示し、センサー再構成がドローンコントローラを完全に停止することを示した。 我々の実験では、最先端のUAVコントローラソフトウェアと対策はそのような操作を処理できない。 そこで本研究では,新たな対応策についても検討する。

関連論文リスト

• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• TPatch: A Triggered Physical Adversarial Patch [19.768494127237393]
  音響信号によって引き起こされる物理的対向パッチであるTPatchを提案する。 運転者の疑念を避けるため,コンテンツベースカモフラージュ法と攻撃強化法を提案する。
  論文  参考訳（メタデータ） (2023-12-30T06:06:01Z)
• Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors [2.374304682010306]
  センサーは、時間の経過とともに誤った測定を行うときに、ローグと見なされる。 既存の方法は、よく動くセンサーが知られているか、ほとんどのセンサーがよく動くと仮定している。 コントラスト損失を有するニューラルネットワークを用いた自己制御型異常センサ検出器をDBSCANに次いで提案する。
  論文  参考訳（メタデータ） (2023-05-09T14:47:16Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• A discrete optimisation approach for target path planning whilst evading sensors [0.0]
  我々は軍事的状況で生じる現実的な問題に対処する。 問題は、敵のセンサーによって検出されることなく、1つ(またはそれ以上)のエージェントがターゲットに到達するための経路を計画することである。 エージェントアクションはパス依存であり、時間制限がある。
  論文  参考訳（メタデータ） (2021-06-16T14:42:52Z)
• Sequential Attacks on Kalman Filter-based Forward Collision Warning Systems [23.117910305213016]
  我々は,前向き衝突警報システムの一部として,カルマンフィルタ(KF)に対する敵対攻撃について検討した。 我々の攻撃目標は、KFに誤った状態推定を出力させることで、人間のブレーキ決定に悪影響を及ぼすことである。 我々は,kfに供給される量量を順次操作し,最適操作を計算するための新しいモデル予測制御(mpc)手法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T02:26:27Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)
• 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。