Visualization and Attack Prevention for a Sensor-Based Agricultural Monitoring System
本计画提出一种以感测器为基础之视觉农业监测系统。区别于传统的农业监测系统，该系统进一步分析基础农业数据，预防和监测常见的无线网络攻击，如选择性转发，黑洞攻击，Sinkhole攻击，洪水攻击和误导攻击。对攻击预防和监控进行了实验验证和评估。
2021-11-28 cs.CR
A Satisfiability Modulo Theory Approach to Secure State Reconstruction in Differentially Flat Systems Under Sensor Attacks
U.C. Los Angeles（加州大学洛杉矶分校）；U.C. Berkeley（加州大学伯克利分校）；University of Pennsylvania（宾夕法尼亚大学）
本文提出利用理论可满足性求解器在微分平坦系统中对抗传感器攻击下的状态估计方法，扩展了s-稀疏可观测性概念并验证了四旋翼控制的有效性。
2015-09-10 cs.CR cs.IT cs.SY
Robust and Efficient AI-Based Attack Recovery in Autonomous Drones
本研究提出一种带常识推理的自主攻击恢复架构，用于无人机攻击后的恢复动作规划，并探讨了该架构在边缘设备的高效安全实现方案。
2025-05-20 cs.CR
Diagnosis-guided Attack Recovery for Securing Robotic Vehicles from Sensor Deception Attacks
University of British Columbia（不列颠哥伦比亚大学）；University of Iowa（爱荷华大学）
本文提出DeLorean统一框架，通过因果分析诊断传感器欺骗攻击并利用历史状态重建受损传感器物理状态，实现机器人车辆在多传感器攻击下的针对性恢复，成功率93%。
2024-01-22 cs.CR cs.RO
Synthesis of Proactive Sensor Placement In Probabilistic Attack Graphs
研究了移动目标联合防御（MTD）和欺骗对抗多阶段网络攻击的部署问题。给定系统配备MTD，在不同的配置之间进行随机化，我们研究如何在每个配置中分配有界数量的传感器，以优化攻击检测率之前，攻击者实现其目标。具体而言，两种类型的传感器被认为是：入侵检测器，可观察到的攻击者和隐形传感器，是不可观察的攻击者。我们提出了一个基于两步优化的方法来分配入侵检测器和隐身传感器：首先，防御者分配入侵检测器，假设攻击者将最好地响应，以逃避入侵检测器的检测。其次，防御者将根据第一步计算出的最佳响应攻击策略分配隐形传感器，以进一步降低攻击者的成功机会。我们说明了所提出的方法的有效性，使用网络防御的例子。
2022-10-13 cs.CR
Wireless Sensor Networks Attacks and Solutions
几年前，无线传感器网络（WSNs）仅用于军事用途。现在，我们已经看到许多组织将无线传感器网络用于某些目的，如天气，污染，交通控制和医疗保健。安全性是无线传感器网络的一个重要问题。在本文中，我专注于安全类型的攻击和他们的检测。分析了无线传感器网络的安全需求和安全攻击。并指出了无线传感器网络安全性的基准。
2014-07-23 cs.CR
Detection techniques of selective forwarding attacks in wireless sensor networks: a survey
无线传感器网络由于其在军事和民用领域的广泛应用而成为研究的热点，但由于其采用无线介质进行通信，容易受到安全攻击。针对无线传感器网络的攻击主要有黑洞攻击、Sink Hole攻击、Sybil攻击、选择性转发攻击等。本文主要研究选择性转发攻击。丢弃节点的选择可以是随机的。识别这种攻击非常困难，有时甚至是不可能的。本文列举了近年来不同研究者提出的几种检测技术，并以表格形式对检测技术进行了定性分析
2012-05-22 cs.CR
SoK: Rethinking Sensor Spoofing Attacks against Robotic Vehicles from a Systematic View
机器人车辆（RV）在过去几年中非常受欢迎。同时，他们也被证明是脆弱的传感器欺骗攻击。虽然大量的研究工作已经提出了各种各样的攻击，一些关键的问题仍然没有答案：这些现有的工作是否足够完整，以涵盖所有的传感器欺骗威胁？如果不是，有多少攻击没有被探索，实现它们有多难？本文通过对RV传感器欺骗攻击相关知识的全面梳理，回答了上述问题。我们的贡献是三方面的。(1)我们确定了七个常见的攻击路径在RV系统管道。从欺骗性质、欺骗操作、受害者特征和攻击目标等方面对现有欺骗攻击进行了分类和评估。基于这种系统化，我们确定了关于欺骗攻击设计的4个有趣的见解。(2)我们提出了一个新的动作流模型，系统地描述机器人功能的执行和未开发的传感器欺骗威胁。利用该模型，我们成功发现了103个欺骗攻击向量，其中26个已被之前的工作验证过，而77个攻击从未被考虑过。(3)我们设计了两种新的攻击方法来验证新发现的欺骗攻击向量的可行性。
2023-03-02 cs.CR
Secure State Estimation: Optimal Guarantees against Sensor Attacks in the Presence of Noise
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种安全状态估计算法，在噪声环境下对抗传感器攻击，并推导出可实现的状态估计误差界。
2015-04-23 cs.CR cs.IT cs.SY
Analysis, classification and detection methods of attacks via wireless sensor networks in SCADA systems
自动化过程控制系统以及SCADA的信息安全的有效性取决于应用于运输环境组件的数据传输保护技术。研究了SCADA系统中无线传感器网络的攻击检测问题。作为分析研究的结果，作者开发了对传感器网络的外部攻击的详细分类，并根据选定的攻击方向对SCADA系统的组件的攻击影响进行了详细描述。综述了SCADA系统中无线传感器网络的入侵检测方法和无线入侵检测系统的功能。注意到人为因素在内部安全威胁中的作用。
2014-12-07 cs.CR
Assessment of System-Level Cyber Attack Vulnerability for Connected and Autonomous Vehicles Using Bayesian Networks
Benedict College（本尼迪克特学院）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Clemson University（克莱姆森大学）
本研究提出了一种方法来量化网络攻击的脆弱性及其影响的基础上概率图形模型的智能交通系统下连接和自动驾驶汽车的框架。基于选定的性能指标，计算智能信号和协同自适应巡航控制（CACC）应用的各种类型的网络攻击漏洞及其影响。数值算例表明，在平均交叉口排队长度，停车次数，平均速度和延误方面的脆弱性的影响。在具有和不具有冗余系统的信号化网络中，脆弱性可分别使平均队列和延迟增加$3\%$和$15\%$以及$4\%$和$17\%$。对于CACC应用，当少量速度信息被扰动时，影响水平平均达到$50\%$延迟差。当攻击者插入显著不同的速度特性时，延迟差增加到超过正常业务条件的$100\%$。
2020-11-18 cs.AI cs.CR cs.SY
Classification of Attacks in Wireless Sensor Networks
在无线传感器网络中，安全性至关重要。近年来，由于无线传感器网络在民用和军事领域的应用，人们对提出无线传感器网络安全解决方案产生了极大的兴趣。攻击者可以发起不同类型的攻击，而加密技术用于对抗这些攻击。本文提出了安全性的挑战，并在无线传感器网络的不同可能的攻击分类。讨论了网络OSI模型各层的安全问题。
2014-11-27 cs.CR
Secure State Estimation against Sensor Attacks in the Presence of Noise
University of California, Los Angeles（加州大学洛杉矶分校）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
研究在噪声环境下，针对被攻击的传感器子集，提出安全状态估计算法，推导在攻击传感器数量上限下的状态估计误差界，并利用理论方法优化传感器子集搜索。
2015-10-12 cs.CR cs.IT cs.SY
Routing Attacks in Wireless Sensor Networks: A Survey
无线传感器网络（Wireless Sensor Networks，WSN）是一种新兴的网络技术，在战场监控、交通监控、森林火灾检测、洪水检测等方面有着广泛的应用，但无线传感器网络容易受到各种潜在的攻击，阻碍了网络的正常运行。无线传感器网络由于其节点在开放环境中的随机部署、内存限制、功耗限制以及无人值守等特点，其安全性受到了威胁。本文重点介绍了网络中出现的各种攻击，并提供了攻击，其影响和严重性的表格表示。本文描述了一个比较的攻击基础上的数据包丢失和数据包损坏。本文还讨论了已知的防御机制和应对攻击的措施。
2014-05-29 cs.CR cs.NI
A Survey on Detection of Sinkhole Attack in Wireless Sensor Network
无线传感器网络由大量低成本、资源受限的传感器节点组成。无线传感器节点的局限性在于其存储容量小、计算能力低、部署在敌对区域无人值守、通信范围小、能量消耗低等特点。基于这些特点使得该网络容易受到多种攻击，如sinkhole攻击。Sinkhole攻击是一种攻击类型，受损节点试图通过通告其虚假路由更新来吸引网络流量。天坑攻击的影响之一是，它可用于发起其他攻击，例如选择性转发攻击、确认欺骗攻击以及丢弃或更改路由信息。它也可以用来向基站发送虚假信息。本文主要研究和分析了现有的无线传感器网络中检测和识别sinkhole攻击的解决方案。分析是基于所提出的解决方案的优点和局限性。
2015-05-12 cs.CR cs.NI
Sensor Defense In-Software (SDI):Practical Software Based Detection of Spoofing Attacks on Position Sensor
位置传感器，如陀螺仪，磁力计和加速度计，被发现在各种各样的设备，从智能手机和无人机到自主机器人。一些作品已经展示了对手如何发动欺骗攻击，以远程破坏甚至完全控制这些传感器的输出。随着越来越多的关键应用依赖传感器读数来做出重要决策，保护传感器免受这些攻击至关重要。在这项工作中，我们提出了实用的软件为基础的防御攻击两种常见类型的位置传感器，特别是陀螺仪和磁力计。我们首先表征这些传感器的灵敏度，声学和磁性的对手。接下来，我们提出了两种纯软件防御：基于机器学习的单传感器防御，以及利用两个传感器之间的数学关系的传感器融合防御。我们对我们的防御进行了详细的理论分析，并在各种智能手机以及资源受限的物联网传感器节点上实现了它们。我们的防御不需要任何硬件或操作系统级别的修改，因此可以与现有硬件一起使用。此外，它们提供了高检测精度、短检测时间和合理的功耗。
2019-05-12 cs.CR
You Can't See Me: Physical Removal Attacks on LiDAR-based Autonomous Vehicles Driving Frameworks
自动驾驶汽车（AV）越来越多地使用基于LiDAR的目标检测系统来感知道路上的其他车辆和行人。虽然现有的对基于LiDAR的自动驾驶架构的攻击集中在降低AV目标检测模型的置信度得分以诱导障碍物误检测，但我们的研究发现了如何利用基于激光的欺骗技术在传感器级别选择性地删除真正障碍物的LiDAR点云数据，然后将其用作AV感知的输入。这种关键的激光雷达信息的消融导致自动驾驶障碍物探测器无法识别和定位障碍物，从而导致自动驾驶汽车做出危险的自动驾驶决策。在本文中，我们提出了一种人眼不可见的方法，通过利用与自动驾驶框架集成的LiDAR传感器数据的固有自动转换和过滤过程来隐藏物体并欺骗自动驾驶车辆的障碍物检测器。我们称这种攻击为物理移除攻击（PRA），我们证明了它们对三种流行的AV障碍检测器（Apollo，Autoware，PointPillars）的有效性，我们实现了45°攻击能力。我们评估了攻击对三种融合模型（Frustum-ConvNet，AVOD和集成语义级融合）的影响，以及使用LGSVL（一种工业级模拟器）对驾驶决策的影响。在我们的移动车辆的情况下，我们实现了92.7%的成功率去除90%的目标障碍物的云点。最后，我们证明了攻击的成功对两个流行的防御欺骗和对象隐藏攻击，并讨论了两个增强的防御策略，以减轻我们的攻击。
2022-10-27 cs.CR
A Survey on Security Attacks and Defense Techniques for Connected and Autonomous Vehicles
自动驾驶汽车正在改变智能交通系统。随着电信技术的进步，自动驾驶汽车正在相互连接并与基础设施连接，形成互联和自动驾驶汽车（CAV）。CAV将帮助人类实现安全、高效和自主的运输系统。然而，CAV将面临重大的安全挑战，因为它们的许多组件容易受到攻击，并且由于它们的通信，对CAV的成功攻击可能会对其他CAV和基础设施产生重大影响。在本文中，我们对2000年至2020年的184篇论文进行了调查，以了解最先进的CAV攻击和防御技术。本调查首先提出了一个全面的概述安全攻击和相应的对策对CAV。然后，我们讨论了攻击模型的基础上有针对性的CAV组件的攻击，访问要求和攻击动机的细节。最后，我们从学术研究和产业发展的角度确定了当前的一些研究挑战和趋势。基于我们对学术文献和工业出版物的研究，我们没有发现学术研究和工业界对CAV相关安全问题的实施之间有任何强有力的联系。虽然CAV制造商在保护CAV安全方面所做的努力已经被报道，但没有证据表明市场上的CAV有能力抵御研究界最近发现的一些新的攻击模式。这项调查可以让研究人员和工程师更好地了解CAV安全的现状和趋势，以便CAV未来的改进。
2020-07-16 cs.CR
Prevention of Wormhole Attack in Wireless Sensor Network
由于无线传感器网络的广泛应用，使得其极易受到各种安全攻击。用于实时的响应能力的传感器也使得难以设计资源密集型安全协议，因为它们有限的电池、功率、存储器和处理能力。虫洞攻击是拒绝服务攻击的一种有效形式，它主要作用于网络层。本文对虫洞攻击的防范技术进行了研究，提出了一种防止虫洞攻击的方法。我们的方法是基于两跳邻居转发路由应答数据包的分析。为了检验发送方的有效性，需要通过合适的方案生成单个传感器节点和基站之间的唯一密钥。
2011-10-10 cs.CR
Sensitive Ants for Denial Jamming Attack on Wireless Sensor Network
提出了一种基于蚂蚁系统的无线传感器网络（WSN）防御不同干扰攻击的新机制。人工敏感蚂蚁对网络攻击的反应，特别是基于他们的敏感性水平。信息从被攻击节点重定向到其适当的目的地节点。分析了如何检测和隔离干扰攻击与移动代理一般，特别是新的基于蚂蚁的敏感方法。
2013-06-01 cs.CR cs.NI
The All-Seeing Eye: A Massive-Multi-Sensor Zero-Configuration Intrusion Detection System for Web Applications
定时攻击是当前入侵检测解决方案面临的一个挑战。定时攻击对于Web应用程序来说是危险的，因为它们可能会泄露有关侧通道漏洞的信息。本文提出了一种多传感器零配置入侵检测系统，该系统特别适合于检测定时攻击。与当前的解决方案不同，所提出的入侵检测系统使用大量的传感器进行攻击检测。这些传感器包括自动插入到Web应用程序或用于构建Web应用程序的框架中的传感器。通过这种方法，入侵检测系统能够以更高的准确性检测复杂的攻击，如定时攻击或其他蛮干攻击。提出的多传感器零配置入侵检测系统不需要特定的知识系统保护，因此它提供了零配置能力。
2015-06-23 cs.CR
Evaluating Adversarial Attacks on Driving Safety in Vision-Based Autonomous Vehicles
City University of Hong Kong（香港城市大学）；University of Victoria（维多利亚大学）；University of Puerto Rico at Mayagüez（波多黎各大学马亚圭斯分校）
近年来，许多深度学习模型已被用于自动驾驶。与此同时，这些模型引入了可能危及自动驾驶汽车安全的新漏洞。具体而言，最近的研究表明，对抗攻击会导致基于深度学习的三维目标检测模型的检测精度显著下降。虽然驾驶安全是自动驾驶的终极关注点，但深度学习模型的性能与自动驾驶汽车在对抗攻击下的驾驶安全性之间的联系还没有全面的研究。在本文中，我们研究了两种主要类型的对抗攻击，扰动攻击和补丁攻击，对基于视觉的自动驾驶汽车的驾驶安全性的影响，而不是深度学习模型的检测精度。特别地，我们考虑了基于视觉的3D目标检测中的两种最先进的模型，Stereo R-CNN和DSGN。为了评估驾驶安全，我们提出了一个端到端的评估框架，一组驾驶安全性能指标。通过分析我们广泛的评估实验的结果，我们发现（1）攻击对自动驾驶汽车驾驶安全的影响和攻击对3D目标检测器精度的影响是解耦的，（2）DSGN模型比Stereo R-CNN模型对对抗攻击表现出更强的鲁棒性。此外，我们进一步调查的原因，这两个结果与消融研究。本文的研究结果为评估对抗攻击并指导自动驾驶中深度学习模型的选择提供了新的视角。
2021-08-06 cs.CR cs.CV cs.LG
Learning Image Attacks toward Vision Guided Autonomous Vehicles
University of Nevada, Reno（内华达大学里诺分校）；Stevens Institute of Technology（斯蒂文斯理工学院）
虽然对抗性神经网络已被证明成功用于静态图像攻击，但很少有方法被开发用于攻击在线图像流，同时考虑到自动驾驶车辆的潜在物理动力学，它们的任务和环境。本文提出了一种在线对抗性机器学习框架，可以有效地误导自动驾驶汽车的任务。在针对自主车辆设计的现有图像攻击方法中，针对每个图像帧重复优化步骤。该框架消除了在每帧进行完全收敛优化以实时实现图像攻击的需要。使用强化学习，在一组图像帧上训练生成神经网络，以获得对动态和不确定环境更鲁棒的攻击策略。引入状态估计器处理图像流，以降低攻击策略对未知位置和速度等物理变量的敏感性。仿真研究提供了验证的结果。
2021-05-17 cs.CR cs.CV cs.LG
Event-Triggered State Observers for Sparse Sensor Noise/Attacks
UCLA Electrical Engineering Department（加州大学洛杉矶分校电气工程系）
本文提出两种算法用于稀疏噪声下的状态重构，通过事件触发技术提升计算效率，以应对物理系统中的恶意攻击。
2014-09-19 cs.CR cs.IT cs.SY
Secure State Estimation For Cyber Physical Systems Under Sensor Attacks: A Satisfiability Modulo Theory Approach
Electrical Engineering Department, UCLA（加州大学洛杉矶分校电气工程系）；Electrical Engineering and Computer Science Department, UC Berkeley（加州大学伯克利分校电气与计算机科学系）
本文提出一种高效算法，利用可满足模理论方法检测并缓解线性动态系统中传感器攻击的影响，通过形式方法保证算法正确性，并通过仿真验证其性能。
2015-03-14 cs.CR cs.IT cs.SY
Transient Adversarial 3D Projection Attacks on Object Detection in Autonomous Driving
Michigan State University（密歇根州立大学）
本文提出一种针对自动驾驶目标检测的瞬态对抗性3D投影攻击方法，通过颜色映射与几何变换构建优化问题，在低光照室内环境中对YOLOv3和Mask R-CNN的攻击成功率达100%。
2024-09-25 cs.AI cs.CR cs.CV
SoK: The Next Frontier in AV Security: Systematizing Perception Attacks and the Emerging Threat of Multi-Sensor Fusion
Kent State University（肯特州立大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文系统化分析了48篇关于自动驾驶感知层攻击的研究，揭示了从单传感器攻击到多传感器融合威胁的发展趋势，指出现有研究在现实测试、短期评估偏见及跨传感器一致性防御方面的不足，并提出融合感知安全的设计方向。
2026-04-22 cs.CR
Distort to Detect, not Affect: Detecting Stealthy Sensor Attacks with Micro-distortion
在本文中，我们提出了一种有效且易于部署的方法来检测工业控制系统中是否存在隐形传感器攻击，其中（传统）控制设备严重依赖于准确的（通常是非加密的）传感器读数。具体来说，我们专注于隐形攻击，使传感器崩溃，然后立即通过发送虚假读数来冒充该传感器。我们认为攻击者的目标是在系统中隐藏很长一段时间。为了检测这种攻击，我们的方法依赖于对原始传感器的读数连续注入“微失真”。特别地，注入的失真应当严格地保持在小幅度内（例如，可能工作值范围的$0.5\%$），以确保其不会影响ICS的正常功能。我们的方法使用传感器和防御者之间的预共享秘密序列来生成微失真。一个关键的挑战是，注入的微失真往往比传感器的实际读数低得多，因此很容易被后者淹没。为了克服这一点，我们利用了许多ICS（特别是电网）中的传感器读数通常在很大一部分时间内逐渐变化的观察结果（即，在连续时隙之间具有小的差异）。我们设计了一个简单而有效的算法，可以检测到隐形攻击者在一个高度准确和快速（即，使用少于100个样品）的方式。我们证明了我们的防御的有效性，使用现实世界中的传感器读取痕迹从两个不同的智能电网系统。
2022-03-23 cs.CR
Qualitative Planning in Imperfect Information Games with Active Sensing and Reactive Sensor Attacks: Cost of Unawareness
我们考虑的概率规划问题，代理（称为玩家1，或P1）可以联合计划的控制动作和传感器查询在传感器网络和攻击者（称为玩家2，或P2）可以对传感器进行攻击。我们使用一个正式的模型来模拟这样的对抗性交互--一个具有部分可控观测函数的可达性游戏。本文的主要贡献是评估P1的不知情的成本：假设P1误解的传感器故障的概率节点故障，由于不可靠的网络通信，和P2知道P1的误解，除了她的部分可观测性。然后，P2可以从哪些状态执行传感器攻击，以概率1确保P1将无法完成她的可达性任务，即使由于误解，P1认为她几乎可以肯定地完成她的任务。我们开发了一个算法来解决几乎肯定会赢的传感器攻击策略P1的观察为基础的战略。我们的攻击分析可用于无线通信网络中的攻击检测和网络物理系统的决策理论模型中可证明安全的攻击感知传感器分配的设计。
2021-05-02 cs.CR cs.FL cs.GT
Exploiting Physical Dynamics to Detect Actuator and Sensor Attacks in Mobile Robots
Pennsylvania State University（宾夕法尼亚州立大学）
移动机器人是网络空间和物理世界紧密耦合的网络物理系统。对移动机器人的攻击可以超越网络防御，并在物理世界中升级为灾难性后果。在本文中，我们专注于主动攻击，能够直接影响机器人任务操作的检测。通过利用移动机器人的物理动力学，我们开发的RIDS，一种新的机器人入侵检测系统，可以检测致动器攻击以及传感器攻击的非线性移动机器人随机噪声。我们实现和评估的RIDS Khepera移动机器人对具体的攻击情况下，通过各种攻击渠道，包括信号干扰，传感器欺骗，逻辑炸弹，物理损坏。对20个实验结果的评价表明，假阳性率和假阴性率的平均值均小于1%。每次攻击的平均检测延迟保持在0.40秒以内。
2017-08-06 cs.CR cs.RO
Signal Injection Attacks against CCD Image Sensors
University of Oxford（牛津大学）
由于摄像头已成为许多安全关键系统和应用（如自动驾驶汽车和监控）的关键部分，大量学术和非学术工作表明了对其主要组件（图像传感器）的攻击。然而，这些攻击仅限于粗粒度且通常可疑的注入，因为光被用作攻击向量。此外，由于光学攻击的性质，它们需要对手和目标相机之间的视线。在本文中，我们提出了一种新的后换能器信号注入攻击CCD图像传感器，因为它们被用于专业，科学，甚至军事设置。我们展示了如何使用电磁发射来操纵CCD图像传感器捕获的图像信息，其粒度可达单个像素的亮度。我们研究了我们的攻击的可行性，然后证明其效果的情况下，自动条码扫描。我们的研究结果表明，注入的失真会破坏自动化的基于视觉的智能系统。
2021-12-13 cs.CR cs.CV
A review of security attacks and Intrusion Detection Schemes in Wireless Sensor Networks
无线传感器网络（WSNs）目前用于不同的工业和消费应用，例如地球监测、健康相关应用、自然灾害预防和许多其他领域。由于传感器节点资源的有限性，安全性是无线传感器网络的主要问题之一。然而，这些网络正面临着影响其运作和生命的若干威胁。在本文中，我们提出了无线传感器网络的安全攻击，我们专注于最近的入侵检测方案在无线传感器网络的审查和分析。
2014-01-09 cs.CR cs.NI
NoiSense: Detecting Data Integrity Attacks on Sensor Measurements using Hardware based Fingerprints
近年来，已经提出了各种物理和逻辑设备的指纹识别，其目标是唯一地识别诸如PC、膝上型计算机和智能电话的主流IT系统的用户或设备。另一方面，由于各种原因，诸如直接存取关键系统的困难和忠实地再现现实场景所涉及的成本，这些技术在信息物理系统（CPS）中的应用较少被探索。在这项工作中，我们评估的背景下，现实的工业控制系统相关的水处理和分配的指纹识别技术的可行性。基于与44个传感器的六种不同类型的实验，它表明，由于在硬件制造中的微观缺陷的噪声模式可以用来唯一地识别传感器在CPS高达97%的准确度。所提出的技术可用于检测物理攻击，例如用故障或操纵的传感器替换合法的传感器。我们还表明，出乎意料的是，传感器指纹识别可以有效地检测先进的物理攻击，如模拟传感器欺骗由于在有源传感器的换能器接收到的能量的变化。此外，它可以用来构建一个新的挑战-响应协议，暴露网络攻击。
2017-12-05 cs.CR
On Decidability of Existence of Nonblocking Supervisors Resilient to Smart Sensor Attacks
离散事件系统（DES）的网络安全性近年来受到越来越多的关注，因为它与严重依赖网络系统之间数据通信的所谓第四次工业革命高度相关。一个关键的挑战是如何确保系统对传感器和/或执行器攻击的弹性，这些攻击可能会篡改数据完整性和服务可用性。在本文中，我们专注于智能传感器攻击相关的一些关键的可判定性问题。我们首先提出了一个充分和必要的条件，确保存在一个智能传感器攻击，这揭示了一个新的需求和供应之间的关系的攻击者和受控植物，表示为一组风险对。每个风险对由攻击者所需的损害字符串和在监督程序中可行的可观察序列组成，使得后者诱导一系列控制模式，这允许损害字符串发生。事实证明，每个风险对都可以引发智能弱传感器攻击。接下来，我们表明，当植物，主管和损坏的语言是定期的，它是计算上可行的，以消除所有这样的风险对植物的行为，通过一个真正的编码方案，在此基础上，我们能够建立我们的关键结果，存在一个非阻塞的监督弹性智能传感器攻击是可判定的。据我们所知，这是DES文献中关于网络攻击的第一个结果。建议的决策过程呈现出一个特定的合成过程，保证计算一个有弹性的监督员，只要它存在，这到目前为止还没有在文献中实现。
2022-04-01 cs.CR
CyberSpec: Intelligent Behavioral Fingerprinting to Detect Attacks on Crowdsensing Spectrum Sensors
本文提出面向 ML/DL 的 CyberSpec 框架，通过设备行为指纹识别检测资源受限众包频谱传感器上的七种 SSDF 攻击，并在真实 ElectroSense 平台验证其有效性与时效性。
2022-01-14 cs.CR
Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles
University of Alabama（阿拉巴马大学）；Clemson University（克莱姆森大学）
在这项研究中，提出了一种基于传感器融合的GNSS欺骗攻击检测框架，该框架由三个并发策略组成：（i）预测位置偏移，（ii）检测转弯（左或右），以及（iii）识别运动状态（包括静止状态）。来自多个低成本车载传感器的数据（即，加速度计、转向角传感器、速度传感器和GNSS）被融合并馈送到递归神经网络模型中，该递归神经网络模型是用于预测位置偏移的长短期记忆（LSTM）网络，即，AV在两个连续的时间戳之间行进的距离。然后，我们结合了k-最近邻（k-NN）和动态时间规整（DTW）算法，使用转向角传感器的数据来检测转弯。此外，来自AV的速度传感器的数据用于识别AV的运动状态，包括静止状态。为了证明基于传感器融合的攻击检测框架的有效性，使用公开的真实世界本田研究所驾驶数据集（HDD）为三种独特而复杂的欺骗攻击创建了攻击数据集。我们的分析表明，基于传感器融合的检测框架成功地检测到所有三种类型的欺骗攻击所需的计算延迟阈值内。
2021-06-05 cs.CR cs.LG cs.RO
VIMU: Effective Physics-based Realtime Detection and Recovery against Stealthy Attacks on UAVs
针对无人机传感器攻击检测有效性不足的问题，提出 VIMU 系统，结合低通滤波检测算法 CS-EMA、细粒度非线性物理模型与 FIFO 缓冲区防护，实现了对隐蔽攻击的有效实时检测与系统状态恢复，保障飞行稳定性。
2025-04-29 cs.CR
Deep Learning-Based Autonomous Driving Systems: A Survey of Attacks and Defenses
Macquarie University（麦考瑞大学）；Swinburne University of Technology（斯威本科技大学）
人工智能的快速发展，特别是深度学习技术，通过提供精确的控制决策来应对几乎任何驾驶事件，从抗疲劳安全驾驶到智能路线规划，从而推进了自动驾驶系统（ADS）。然而，ADS仍然受到来自不同攻击的日益增加的威胁的困扰，这些攻击可以分为物理攻击，网络攻击和基于学习的对抗攻击。不可避免地，基于深度学习的自动驾驶的安全性和保障性受到这些攻击的严峻挑战，应从中全面分析和研究对策，以减轻所有潜在风险。该调查对可能危及ADS的不同攻击以及相应的最先进防御机制进行了全面分析。该分析通过深入概述ADS工作流程中的每个步骤展开，涵盖了各种深度学习模型的对抗攻击以及物理和网络环境中的攻击。此外，为了提高基于深度学习的自动驾驶安全性，提出了一些有前景的研究方向，包括模型鲁棒性训练、模型测试和验证以及基于云/边缘服务器的异常检测。
2021-04-10 cs.CR cs.CV cs.DC
SoundFence: Securing Ultrasonic Sensors in Vehicles Using Physical-Layer Defense
自动驾驶汽车（AV）配备了许多传感器，如摄像头，激光雷达，雷达和超声波传感器，正在彻底改变运输行业。这些传感器有望从物理环境中感知可靠的信息，从而促进自动驾驶汽车的关键决策过程。超声波传感器可以在短距离内检测障碍物，在辅助停车和盲点检测事件中发挥重要作用。然而，由于超声波传感器的安全级别较弱，特别容易受到信号注入攻击，攻击者注入恶意的声学信号来制造虚假障碍，故意误导车辆做出错误的决策，造成灾难性的后果。本文系统地分析了针对运动车辆的信号注入攻击模型。通过考虑潜在的威胁，我们提出了SoundFence，这是一种物理层防御系统，它利用了传感器的信号处理能力，而不需要任何额外的设备。SoundFence通过分析传感器读数和超声波信号的物理层特征来验证良性测量结果并检测信号注入攻击。我们对商业传感器的实验表明，SoundFence可以检测到大多数（超过95%）的异常传感器读数，只有很少的错误警报，并且它还可以准确地区分真正的回声和注入信号，以识别注入攻击。
2022-02-05 cs.CR
Autonomous collision attack on OCSP services
在线证书状态协议（OCSP）是PKI环境中广泛使用的一种实时的管理数字证书可信性的协议，本文描述了该协议的两个重要设计缺陷。这些缺陷会显著降低协议的安全性，并可能被恶意第三方利用来生成伪造的签名证书状态，在最坏的情况下，还可能生成伪造的证书。缺陷的描述，以及预期的开发路线，消费应用层协议的后果，并提出了对策，给出。
2016-09-10 cs.CR
AccFlow: Defending Against the Low-Rate TCP DoS Attack in Wireless Sensor Networks
由于无线传感器网络（WSN）的开放性，拒绝服务（DoS）成为资源受限传感器节点稳定性的最大威胁之一。在本文中，我们开发的AccFlow是一个增量式部署的软件定义网络为基础的协议，能够作为一种对策，对低速率的TCP拒绝服务攻击。AccFlow的主要思想是通过根据攻击流的丢失率丢弃它们的数据包来使攻击流对拥塞负责。丢失率越大，AccFlow丢弃数据包的力度就越大。通过大量的模拟，我们证明了AccFlow可以有效地抵御低速率的TCP拒绝服务攻击，即使攻击者改变他们的策略，在不同的规模和数据率的攻击。此外，虽然AccFlow的目的是解决低速率的TCP拒绝服务攻击，我们证明，AccFlow也可以有效地抵御一般的拒绝服务攻击，不依赖于TCP重传超时机制，但导致拒绝服务的合法用户不断耗尽网络资源。最后，我们考虑AccFlow的可扩展性及其在实际网络中的部署。
2019-03-15 cs.CR
Impact Analysis of Inference Time Attack of Perception Sensors on Autonomous Vehicles
Oak Ridge National Laboratory（橡树岭国家实验室）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；The Hong Kong University of Science and Technology（香港科技大学）；Purdue University（普渡大学）
本文针对自动驾驶汽车感知模块提出基于推理时间攻击的影响分析方法，并通过仿真证明该类攻击可同时威胁自车和其他交通参与者的安全。
2025-05-05 cs.AI cs.CR
Simulating Malicious Attacks on VANETs for Connected and Autonomous Vehicle Cybersecurity: A Machine Learning Dataset
Oxford Brookes University（牛津布鲁克斯大学）
互联和自动驾驶汽车（CAV）依赖于车辆自组织网络，车辆和路边基础设施之间通过无线通信来支持安全运行。然而，网络安全攻击对VANESTO和CAV的安全运行构成了威胁。本研究提出了使用模拟典型的通信场景，可能会受到恶意攻击的建模。Eclipse MOSAIC仿真框架用于模拟两种典型的道路场景，包括车辆和基础设施之间的消息传递，并介绍了重播和虚假信息网络安全攻击。该模型展示了这些攻击的影响，并提供了一个开放的数据集，为机器学习算法的开发提供信息，以提供异常检测和缓解解决方案，从而增强安全通信和CAV在道路上的安全部署。
2022-02-15 cs.CR cs.LG
Attack Resilience and Recovery using Physical Challenge Response Authentication for Active Sensors Under Integrity Attacks
嵌入式传感系统广泛应用于生命和安全关键系统，例如飞机，汽车和医疗保健中的系统。这些传感器的传统安全机制集中在数据加密和其他后处理技术上，但传感器本身往往容易受到物理/模拟域的攻击。如果对手在数字化之前操纵物理/模拟信号，那么事后再多的数字安全机制也无济于事。幸运的是，自然界对这些模拟信号的行为施加了基本的限制。这项工作提出了PyCRA，一个物理的挑战-响应认证方案，旨在保护主动传感系统免受物理攻击发生在模拟域。PyCRA通过随机但故意的物理探测不断挑战周围环境，为主动传感器提供安全性。通过分析对这些探测器的响应，并利用对手无法改变物理学基本定律的事实，我们提供了一种身份验证机制，不仅可以检测恶意攻击，还可以提供抵御恶意攻击的能力。我们通过使用两种传感系统的几个案例研究证明了PyCRA的有效性：（1）磁传感器，如机器人和汽车中的轮速传感器，以及（2）用于许多安全关键应用的商业RFID标签。最后，我们概述了通过混淆阶段进一步增强PyCRA对主动攻击的弹性的方法和理论证明-一段低信噪比的时期，这使得攻击者更难以正确识别和响应PyCRA的物理挑战。在此过程中，我们评估了PyCRA的鲁棒性和局限性，最后概述了实际考虑因素以及所提出的认证机制的进一步应用。
2016-05-12 cs.CR
Side-Channel Inference Attacks on Mobile Keypads using Smartwatches
智能手表使许多新颖的应用程序，并迅速获得普及。然而，各种机载传感器的存在为这些设备上的恶意软件和服务提供了额外的攻击面。在本文中，我们研究了通过使用智能手表运动传感器作为侧通道对手持数字触摸板进行按键推断攻击的可行性。我们考虑不同的打字场景，并提出了多种攻击方法来利用观察到的手腕运动的特点，推断个人的按键。使用商业现成的智能手表和智能手机的实验评估表明，使用智能手表运动传感器的按键推断不仅相当准确，而且与使用智能手机运动传感器的类似攻击相当。此外，由智能手表和智能手机运动传感器两者的组合捕获的手部运动产生比单独考虑的任一设备更好的推断准确性。
2017-10-10 cs.CR
Sensor Deprivation Attacks for Stealthy UAV Manipulation
本文提出多部分传感器剥夺攻击（SDAs），通过在本地总线注入消息重新配置传感器，导致控制器产生对抗性传感器值并引发错误控制动作，使无人机失稳坠毁或偏离轨迹超30米，且能逃避最先进的异常检测，同时提出了相应对策。
2024-10-14 cs.CR
An Autonomous Self-Incremental Learning Approach for Detection of Cyber Attacks on Unmanned Aerial Vehicles (UAVs)
随着自动化系统的技术进步和能力大幅提高，无人驾驶飞行器在没有人类放纵的情况下执行依赖人类的任务的使用也急剧增加。由于无人机严重依赖信息和通信技术，因此很容易受到网络攻击。随着时间的推移，越来越多的先进和新的攻击正在开发和使用。然而，目前的入侵检测系统缺乏对新的和未知的攻击的检测和分类。因此，为了使无人驾驶飞行器具有自主和可靠的操作，需要更鲁棒和自动化的网络检测和保护方案。为了解决这个问题，我们提出了一个自主的自增量学习架构，能够在没有任何人为干扰的情况下自行检测已知和未知的网络攻击。在我们的方法中，我们结合了基于签名的检测与异常检测，以这种方式，基于签名的检测器自动更新其攻击类的异常检测器的帮助下。为了实现这一点，我们实现了一种增量学习方法，更新我们的模型以包含新类而不忘记旧类。为了验证我们提出的架构的适用性和有效性，我们已经实现了它在一个试验方案，然后将其与传统的离线学习方法进行比较。此外，我们基于异常的检测器已经实现了100%的攻击检测率。
2021-12-18 cs.CR eess.SP
Rainbow Artifacts from Electromagnetic Signal Injection Attacks on Image Sensors
The Hong Kong Polytechnic University（香港理工大学）
本研究提出一种针对图像传感器模拟域的电磁信号注入攻击，通过精心调节的电磁干扰诱发类似彩虹的颜色伪影，并证明该伪影能绕过数字完整性检查并导致最先进目标检测模型产生严重误预测，揭示了视觉感知栈中物理层攻击的严重漏洞。
2025-07-10 cs.CR cs.CV
SoK: How Sensor Attacks Disrupt Autonomous Vehicles: An End-to-end Analysis, Challenges, and Missed Threats
University of Michigan（密歇根大学）；Duke University（杜克大学）
本文系统综述传感器攻击对自动驾驶汽车的影响，提出SEPG框架映射错误传播路径，提炼8项发现并揭示12个被忽视的攻击向量，验证了框架有效性和LLM辅助分析的潜力。
2026-09-09 cs.CR
A Survey of Active Attacks on Wireless Sensor Networks and their Countermeasures
近年来，无线传感器网络（Wireless Sensor Networks，WSNs）已经成为一种新兴的技术，可以应用于战场、商业应用、生境观测、建筑物、灵巧家庭、交通监控等关键场合。目前无线传感器网络面临的最大困难之一是如何防止严重的攻击。将传感器节点组织在一个废弃的环境中会使网络系统对各种强大的攻击无能为力，传感器节点固有的内存和功率限制使得传统的安全安排不切实际。传感知识与无线通信和处理能力相结合，使其被滥用。无线传感器网络技术也受到了各种各样的安全威胁。介绍了无线传感器网络面临的四种基本安全威胁和各种主动攻击，以及不同学者提出的可能的应对措施。
2017-02-23 cs.CR cs.NI
Supervisor Synthesis to Thwart Cyber Attack with Bounded Sensor Reading Alterations
网络物理系统面临的主要挑战之一是如何防止网络攻击，以确保系统的完整性。在现代控制和计算机科学社区中讨论了大量不同类型的攻击。在本文中，我们的目标是调查一种特殊类型的攻击在离散事件系统框架中，攻击者可以任意改变传感器读数后，拦截他们从目标系统，以欺骗一个给定的管理员发出控制命令不正确，驱动系统到一个不希望的状态。我们首先考虑网络攻击问题，从攻击者的角度来看，制定了一个有界传感器读取更改（ABSRA）问题的攻击。然后，我们证明了最优（或最少限制）ABSRA存在，并且可以合成，只要植物模型和监督模型是正则的，即，可以用有限状态自动机来表示。在最优ABSRA的综合基础上，我们提出了一种综合算法，该算法保证了计算的监督器是ABSRA-鲁棒的，即，ABSRA将是可检测的或者将不会导致系统到不期望的状态。
2016-08-24 cs.CR cs.FL
Functional Forms of Optimum Spoofing Attacks for Vector Parameter Estimation in Quantized Sensor Networks
从量化的传感器数据的未知的确定性向量的估计被认为是在欺骗攻击的存在下，改变了数据呈现给几个传感器。与以前的工作相反，一个广义的攻击模型，使用任意函数形式的一些攻击参数，其值是未知的被攻击系统确定的变换来操纵数据。对于第一次，必要和充分的条件下，提供的转换提供了一个有保证的攻击性能的Cramer-Rao界（CRB），无论处理的估计系统采用，从而定义了一个非常可取的攻击。有趣的是，这些条件意味着，对于任何这样的攻击时，被攻击的传感器可以完全识别的估计系统，无论是费舍尔信息矩阵（CRB）联合估计所需的和攻击的参数是奇异的，或攻击的系统是无法提高CRB所需的向量参数通过这种联合估计，即使联合CRB是非奇异的。它表明，它总是可以构建这样一个非常理想的攻击适当采用足够大的维度攻击矢量参数相对于所采用的量化级别的数量，这是以前没有观察到的。为了具体说明该理论，我们还提供了一些数值结果，证实了在高度期望的攻击下，受攻击的数据是没有用的减少CRB。
2016-06-01 cs.CR cs.IT math.IT
An Analysis of Adversarial Attacks and Defenses on Autonomous Driving Models
Macquarie University（麦考瑞大学）；Harvard University（哈佛大学）；University of Sydney（悉尼大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
如今，自动驾驶已经引起了工业界和学术界的广泛关注。卷积神经网络（CNN）是自动驾驶中的关键组件，也越来越多地被智能手机、可穿戴设备和物联网网络等普适计算所采用。先前的工作表明，基于CNN的分类模型容易受到对抗性攻击。然而，目前还不确定回归模型（如驱动模型）在多大程度上容易受到对抗性攻击，现有防御技术的有效性以及对系统和中间件构建者的防御影响。本文深入分析了三种驱动模型的五种对抗性攻击和四种防御方法。实验表明，与分类模型类似，这些模型仍然非常容易受到对抗性攻击。这对自动驾驶构成了很大的安全威胁，因此在实践中应该加以考虑。虽然这些防御方法可以有效地防御不同的攻击，但没有一种能够对所有五种攻击提供足够的保护。我们得出了对系统和中间件构建者的几个启示：（1）当添加对抗性攻击的防御组件时，重要的是要串联部署多种防御方法以实现对各种攻击的良好覆盖，（2）与白盒攻击相比，黑盒攻击的有效性要低得多，这意味着重要的是要保留模型细节（例如，模型体系结构、超参数）通过模型混淆而机密，以及（3）如果计算资源允许，则优选驱动具有复杂体系结构的模型，因为它们比简单模型对对抗性攻击更有弹性。
2020-02-06 cs.CR cs.LG eess.SP
A Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles
The University of Alabama（阿拉巴马大学）；MicroVision Inc.（MicroVision公司）；Clemson University（克莱姆森大学）
本文提出了一种基于传感器融合的自主车辆（AV）全球导航卫星系统（GNSS）欺骗攻击检测框架，该框架由两个并发策略组成：（i）使用预测的位置偏移检测车辆状态-即，在两个连续时间戳之间行进的距离-以及车辆运动状态的监视-即，静止/运动中;以及（ii）转弯的检测和分类（即，左或右）。来自多个低成本车载传感器的数据（即，加速度计、转向角传感器、速度传感器和GNSS）被融合并馈送到递归神经网络模型中，该递归神经网络模型是用于预测位置偏移的长短期记忆（LSTM）网络，即，AV在两个连续的时间戳之间行进的距离。然后将该位置偏移与基于GNSS的位置偏移进行比较以检测攻击。然后，我们结合了k-近邻（k-NN）和动态时间规整（DTW）算法来检测和分类左，右转弯使用的数据从转向角传感器。为了证明基于传感器融合的攻击检测框架的有效性，使用公开的真实世界本田研究所驾驶数据集（HDD），为四种独特而复杂的欺骗攻击-转弯，过冲，错误转弯和停止创建攻击数据集。我们的分析表明，基于传感器融合的检测框架成功地检测到所有四种类型的欺骗攻击所需的计算延迟阈值内。
2021-08-19 cs.CR cs.LG eess.SP
