論文の概要: Assessing Cybersecurity Risks and Traffic Impact in Connected Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2602.13898v1
• Date: Sat, 14 Feb 2026 21:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.546664
• Title: Assessing Cybersecurity Risks and Traffic Impact in Connected Autonomous Vehicles
• Title（参考訳）: 連結自動運転車におけるサイバーセキュリティリスクと交通影響の評価
• Authors: Saurav Silwal, Lu Gao, Ph. D. Yunpeng Zhang, Ph. D. Ahmed Senouci, Ph. D. Yi-Lung Mo, Ph. D., P. E,
• Abstract要約: 自動運転車は効率を向上するが、外部からの攻撃には弱いままだ。 本研究は、サイバー攻撃が交通パターンに与える影響について検討する。 悪意のある外部情報の有害な影響を最小限に抑えるための実用的な解決策を提案する。
• 参考スコア（独自算出の注目度）: 0.5399177691034965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given the promising future of autonomous vehicles, it is foreseeable that self-driving cars will soon emerge as the predominant mode of transportation. While autonomous vehicles offer enhanced efficiency, they remain vulnerable to external attacks. In this research, we sought to investigate the potential impact of cyberattacks on traffic patterns. To achieve this, we conducted simulations where cyberattacks were simulated on connected vehicles by disseminating false information to either a single vehicle or vehicle platoons. The primary objective of this research is to assess the cybersecurity challenges confronting connected and automated vehicles and propose practical solutions to minimize the adverse effects of malicious external information. In the simulation, we have implemented an innovative car-following model for the simulation of connected self-driving vehicles. This model continually monitors data received from preceding vehicles and optimizes various actions, such as acceleration, and deceleration, with the aim of maximizing overall traffic efficiency and safety.
• Abstract（参考訳）: 自動運転車の将来性を考えると、自動運転車が主要な交通手段としてすぐに現れることは予想できる。 自動運転車は効率を向上するが、外部からの攻撃には弱いままだ。 本研究では,サイバー攻撃が交通パターンに与える影響について検討した。 これを実現するために,1台の車両と1台の車両のプラトンに偽情報を拡散することにより,ネットワーク上でのサイバー攻撃をシミュレートしたシミュレーションを行った。 本研究の主な目的は、接続された自動車両に直面するサイバーセキュリティの課題を評価し、悪意のある外部情報の有害な影響を最小限に抑えるための実用的な解決策を提案することである。 シミュレーションでは、コネクテッド・自動運転車のシミュレーションのための革新的な自動車追従モデルを実装した。 このモデルは、先行車両から受信したデータを継続的に監視し、全体の交通効率と安全性を最大化することを目的として、加速や減速などの様々な動作を最適化する。

関連論文リスト

• Is Your Autonomous Vehicle Safe? Understanding the Threat of Electromagnetic Signal Injection Attacks on Traffic Scene Perception [3.8225514249914734]
  電磁信号注入攻撃(ESIA)は、自動運転車が撮影した画像を歪めることができる。 我々の研究は、異なるモデル underA のパフォーマンスを分析し、攻撃に対する脆弱性を明らかにします。 我々の研究は、より堅牢なAIモデルの開発を促進することを目的として、包括的なシミュレーションと評価のフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-01-09T13:44:42Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
  本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。 基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。 実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
  論文  参考訳（メタデータ） (2024-03-14T17:00:29Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• 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)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Simulating Malicious Attacks on VANETs for Connected and Autonomous Vehicle Cybersecurity: A Machine Learning Dataset [0.4129225533930965]
  コネクテッド・アンド・オートマチック・ビークルズ(CAV)はVehicular Adhoc Networksに頼り、安全運転を支援するために車両と道路インフラストラクチャー間の無線通信を行っている。 サイバーセキュリティ攻撃はVANETとCAVの安全な運用に脅威をもたらす。 本研究では,悪質な攻撃を受ける可能性のある典型的な通信シナリオをモデル化するためのシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-02-15T20:08:58Z)
• Roadmap for Cybersecurity in Autonomous Vehicles [3.577310844634503]
  我々は、過去10年間の大規模な自動車サイバー攻撃と、人工知能(AI)を活用した最先端のソリューションについて論じる。 我々は、安全な自動運転車を構築するためのロードマップを提案し、対処すべき重要なオープンな課題を強調します。
  論文  参考訳（メタデータ） (2022-01-19T16:42:18Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)

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。