Nov, 2022

深度强化学习增强自动驾驶的时空木马攻击

PDF
TL;DR本文通过探讨深度强化学习中 Trojan 攻击的实现，设计了一个空间 - 时间 Trojan 攻击的策略，并通过实验验证了其攻击效率高、攻击模式难以被发现、对已有的防御手段能够产生持续性威胁等特点，成为一项对自动驾驶系统具有重要意义的研究。
deep reinforcement learningautonomous drivingtrojan attacksspatio-temporal traffic featuresrecurrent neural network
发现论文，激发创造
  • 深度强化学习攻击特征分析

    本研究主要研究深度强化学习模型的脆弱性，针对相应的攻击方式进行了探究，并提出了黑盒攻击、在线顺序攻击等攻击方法来应对其高计算需求，同时探讨了攻击者扰动环境动态的可能性，并通过实验验证了这些攻击方式的有效性。

    Jul, 2019

  • 一种面向深度强化学习的时序模式后门攻击

    本文提出了一种基于时间模式的背门攻击方法，通过一系列的时间限制来控制背门行为的发动和持续时间，实现在云计算中调度任务过程中的达成攻击目的和保持攻击效果和隐秘性，实验结果表明，该背门攻击方法可以达到很高的攻击成功率和干扰效果。

    May, 2022

  • 探索基于深度强化学习的交通拥堵控制系统后门攻击：Stop-and-Go

    本文探讨了基于深度强化学习的自动驾驶车辆控制器中的后门攻击以及特定条件下的拥堵攻击和保险攻击，在交通物理原理的基础上设计了触发策略，并在单车道和双车道环路上进行了测试。实验结果表明，攻击并未明显降低正常操作性能，但在特定条件下可被激活以导致事故或拥堵。

    Mar, 2020

  • 基于深度学习的自动驾驶系统：攻击和防御调研

    人工智能和深度学习技术的迅速发展促进了自动驾驶系统，但是这些系统仍受到来自不同攻击的威胁。此研究调查了可能危及自动驾驶系统的各种攻击，以及相应的最新防御机制，从而提出了一些有前途的研究方向以提高自动驾驶的安全性。

    Apr, 2021

  • 针对深度强化学习的隐蔽高效敌对攻击

    探索针对深度强化学习的对抗攻击，并提出两种攻击技术：关键点攻击和拮抗攻击，以提高鲁棒性，实验结果显示这两种技术比现有方法更具优势。

    May, 2020

  • 深度强化学习在道路交通路口驾驶中的自我意识安全性

    本研究通过引入注意力机制的自我感知模块，根据碰撞率、成功率、停滞率和总奖励等四个指标，对交叉口和环岛等复杂路口环境下的自主驾驶深度强化学习模型进行安全性能评估，并发现引入自我感知模块的 DQN 可显著提高安全表现。

    Jan, 2022

  • 鲁棒性强的时空交通预测与强化动态对抗训练

    提出机器学习方法用于交通预测时的防御措施，包括加强动态防御能力和降低模型过拟合；在真实交通数据集上验证其优于其他基线模型的表现，并有效地提高交通预测模型的防御能力。

    Jun, 2023

  • 针对车联网深度强化学习框架的对抗攻击

    本文通过实验研究了 Sybil-based 数据恶意攻击对基于深度强化学习技术的动态服务部署在 IoT 中的影响，结果表明在网络中存在 Sybil-based 数据恶意攻击时，性能会显著受到影响。

    Aug, 2021

  • 通过对抗攻击和训练的强大深度强化学习：一项综述

    深度强化学习可以通过对抗训练提高其鲁棒性和可靠性，本研究对当代对抗性攻击方法进行了深入分析和分类，以提高深度强化学习代理的鲁棒性。

    Mar, 2024

  • 深度强化学习自动驾驶决策的揭秘

    自适应驾驶决策中，深度强化学习模型的黑盒特性限制了实际应用，因此本研究工作关注一种基于注意力机制的可解释深度强化学习框架，并使用连续近端策略优化算法作为基准模型，在开源自适应驾驶仿真环境中加入了多头注意力机制。通过分析技术讨论模型的可解释性和因果关系，发现模型的第一个头部编码了邻近车辆的位置，而第二个头部则专注于领导车辆。此外，自车的动作在时空上受到目标车道上车辆的因果依赖。这些发现可帮助从业人员解读深度强化学习算法的结果。

    Mar, 2024