针对基于深度学习的自动依赖监控广播无监督异常检测模型的对抗性攻击,在空中交通管理的背景下

科学领域:

• 航空航天工程 航空航天工程
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 深度学习模型在自动依赖监控-广播 (ADS-B) 异常检测方面具有优势.
• 然而,这些模型容易受到对抗性示例的影响,从而损害了它们的稳定性.

研究的目的:

• 为了引入一种新的对抗性攻击,用于ADS-B时间序列数据设计的时间邻域积累代快梯度符号方法 (TNAI-FGSM).
• 评估TNAI-FGSM与ADS-B异常检测模型的有效性和可转移性.

主要方法:

• 拟议的TNAI-FGSM攻击利用了ADS-B数据中的时间相关性.
• 它稳定对抗样本更新,并避免代期间的局部最佳值.
• 攻击的性能与FGSM和BIM等既定方法进行了比较.

主要成果:

• TNAI-FGSM成功攻击基于深度学习的ADS-B异常检测模型.
• 攻击增强了对抗例子的可转移性.
• 与FGSM和BIM相比,TNAI-FGSM显示出更高的性能.

结论:

• 这项研究揭示了基于深度学习的无监督异常检测在ADS-B时间序列中的脆弱性.
• 了解这一漏洞对于提高空中交通管理 (ATM) 的安全性和成本效益至关重要.