Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments
School of Computer Science(计算机科学学院);Engineering, Vellore Institute of Technology(工程学院,维洛雷理工学院);Chennai Campus(钦奈校区);Chennai, Tamil Nadu 600127, India(钦奈,泰米尔纳德邦600127,印度)
本研究提出深度强化学习框架,采用PPO算法优化德里市空气净化亭布置,以改善空气质量指数,并与传统策略对比,验证其多维性能优势。
2025-10-07 cs.AI cs.CV cs.LG
Machine Learning-Based Cyber Defense for Cloud Infrastructure: An Adaptive Deep Q-Network Architecture for Intelligent Intrusion Detection and Automated Threat Mitigation
Wilmington University(威尔明顿大学);Washington University of Science and Technology(华盛顿科技大学);South Dakota School of Mines & Technology(南达科他矿业理工学院);South Dakota State University(南达科他州立大学);St. Francis College(圣弗朗西斯学院);Stanton University(斯坦顿大学)
该研究针对云环境复杂网络攻击问题,提出自适应DQN网络防御框架,经CICIDS2017等数据集验证,其入侵检测与威胁缓解性能优于多种传统机器学习模型,展现出强化学习在云自主网络安全中的应用潜力。
2026-08-13 cs.AI cs.CR
A Hierarchical Agentic Framework for Autonomous Drone-Based Visual Inspection
Hitachi America Ltd., R&D(日立美国有限公司研发部)
本研究提出一种用于室内工业视觉检测的分层无人机智能体框架及ReActEval推理方法,通过总控与工作智能体的分工协作,以自然语言交互实现自主检测,为传统方案提供灵活易用的新选择。
2025-09-30 cs.AI cs.MA cs.RO
Agent Manufacturing: Foundation-Model Agents as First-Class Industrial Entities
University of Canterbury(坎特伯雷大学)
本文提出Agent制造范式,即基础模型Agent通过解释开放目标、长程规划、调用工具和机器、与其他Agent及人类协商来协调生产,从而将工业中的人类协调认知工作自动化。
2026-05-24 cs.AI
Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation
Autonomous Industrial Systems Lab,Imperial College London(自主工业系统实验室,帝国理工学院伦敦)
本研究提出一个利用大型语言模型(LLMs)的统一智能体框架,结合有限状态机与验证器-重新提示循环,在单一架构内实现离散故障恢复规划与连续过程控制,在多规模FSM及TCLab平台实验中验证了其高成功率和与PID控制相当的连续控制性能。
2025-07-03 cs.AI cs.MA cs.SY
FLEAM: A Federated Learning Empowered Architecture to Mitigate DDoS in Industrial IoT
分布式拒绝服务(DDoS)攻击对工业物联网(IIoT)是有害的,因为它会在网络对象上引发严重的资源匮乏。最近的动态表明,对于使用僵尸网络的攻击者来说,这是一项利润丰厚的业务。目前的集中缓解解决方案集中在受害者一方的检测和缓解,对黑客攻击成本和维护者的合作关注不够。因此,我们提出了联邦学习授权缓解架构(FLEAM),以倡导联合防御,招致更高的黑客费用。FLEAM将FL和雾计算相结合,以减少缓解时间并提高检测准确性,使防御者能够共同对抗僵尸网络。我们的综合评估显示,攻击费用是传统解决方案的2.5倍,缓解延迟降低约72%,准确性平均提高47%。
2021-12-10 cs.CR cs.IT math.IT
Towards Autonomous Pipeline Inspection with Hierarchical Reinforcement Learning
University of Twente(特文特大学);Jönköping University(延雪平大学)
检测和维护是工业管道设备的两个关键方面。虽然机器人技术在管道检测机器人的机械设计方面取得了巨大的进步,但由于执行器数量多和所需的复杂操纵,这种机器人的自主控制仍然是一个巨大的挑战。为了解决这个问题,我们研究了深度强化学习的使用,以实现复杂拓扑结构的管道网络中的管道机器人的自主导航。此外,我们引入了一个分层的策略分解的基础上分层强化学习学习强大的高层次的导航技能。我们表明,在政策中引入的层次结构是通过管道解决导航任务的基础,实现导航性能优于人类水平的控制是必要的。
2021-07-08 cs.AI cs.RO
A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC in Industrial IoT
University of Padova(帕多瓦大学);University of Bologna(博洛尼亚大学);Huawei Technologies, Munich Research Center(华为技术有限公司慕尼黑研究中心)
本文提出分布式组合神经线性汤普森采样框架DISNETS,利用gNB反馈和强化学习使UE自主选择上行资源以最小化碰撞,从而在工业物联网中实现URLLC。
2023-11-21 cs.LG cs.MA cs.NI
Review of Learning-based Longitudinal Motion Planning for Autonomous Vehicles: Research Gaps between Self-driving and Traffic Congestion
Georgia Tech(佐治亚理工学院)
自动驾驶技术公司和研究界正在加快步伐,将机器学习纵向运动规划(mMP)用于自动驾驶汽车(AV)。本文回顾了目前的最先进的mMP,独家关注其对交通拥堵的影响。我们确定了当前数据集中拥塞场景的可用性,并总结了训练mMP所需的功能。在学习方法方面,我们对模仿学习和非模仿学习的主要方法进行了综述。我们还强调了一些领先的AV公司采用的新兴技术,例如特斯拉,Waymo和Comma.ai。我们发现:i)自动驾驶行业主要关注与安全相关的长尾问题,而忽视了对交通拥堵的影响,ii)当前的公共自动驾驶数据集没有包括足够的拥堵场景,并且大多缺乏必要的输入特征/输出标签来训练mMP,以及iii)尽管强化学习(RL)方法可以将拥堵缓解集成到学习目标中,工业上采用的主要的mMP方法仍然是行为克隆(BC),其学习减轻故障的mMP的能力还有待观察。在综述的基础上,该研究确定了当前mMP开发中的研究空白。提出了未来mMP研究的一些建议:i)丰富数据收集以促进拥塞学习; ii)结合非模仿学习方法将交通效率结合到以安全为导向的技术路线中; iii)从传统的车辆跟驰(CF)理论中整合领域知识以提高mMP的串稳定性。
2021-07-17 cs.CV cs.LG cs.RO
Mitigation of Camouflaged Adversarial Attacks in Autonomous Vehicles--A Case Study Using CARLA Simulator
Department of Computer Engineering Tennessee Technological University(计算机工程系田纳西技术大学);Department of Computer Science Tennessee Technological University(计算机科学系田纳西技术大学)
本文开发了针对自动驾驶汽车交通标志识别的摄像头伪装对抗攻击,通过修改停车标志纹理欺骗检测系统延迟自动刹车,并提出相应缓解策略,方法可推广至其他端到端训练的自主信息物理系统。
2025-02-03 cs.AI cs.CR cs.LG
Interpretable Policies for Reinforcement Learning by Genetic Programming
Technical University of Munich, Department of Informatics(慕尼黑技术大学信息学院);Siemens AG, Corporate Technology(西门子股份公司企业技术部)
本文提出基于模型驱动批量强化学习和遗传编程的GPRL方法,通过预存的默认状态-动作轨迹样本自动生成可解释的强化学习策略,实验表明其优于传统符号回归方法。
2018-04-04 cs.AI cs.NE cs.SY
Autonomous AI-based Cybersecurity Framework for Critical Infrastructure: Real-Time Threat Mitigation
School of Computer Science and Technology(计算机科学与技术学院)
本文提出了一种基于AI的自主网络安全框架,用于实时检测和缓解关键基础设施中的网络威胁,以提升系统安全性和韧性。
2025-07-10 cs.AI cs.CR cs.ET
Securing Autonomous Service Robots through Fuzzing, Detection, and Mitigation
Singapore University of Technology and Design(新加坡科技设计大学);National University of Singapore(新加坡国立大学)
自主服务机器人与人类共享社交空间,通常一起完成家庭或专业任务。这些机器人的网络安全漏洞破坏了人类和机器人之间的信任。在本文中,我们研究如何理解和造成安全威胁的设计和实施阶段的可移动自主服务机器人。为此,我们利用定向模糊的思想和设计RoboFuzz,系统地测试一个自主服务机器人符合机器人的状态和周围环境。RoboFuzz的方法是研究影响机器人状态转换的关键环境参数,并使机器人控制程序具有合理但有害的传感器值,从而损害机器人。此外,我们开发检测和缓解算法来抵消RoboFuzz的影响。其难点主要在于如何在有限的计算资源、及时的检测和缓解工作效率的保持之间进行权衡。特别是,我们提出了检测和缓解方法,利用历史记录的障碍物检测不一致的障碍物外观不可信的传感器值和导航的可移动机器人继续移动,以便进行计划的任务。通过这样做,我们设法保持低成本的检测和缓解,但也保留了机器人的工作效率。我们已经在现实世界的可移动机器人中原型化了RoboFuzz,检测和缓解算法。实验结果证实,RoboFuzz使一个成功率高达93.3%,在施加具体的威胁到机器人,而工作效率的整体损失仅为4.1%,在缓解模式。
2020-03-12 cs.CR cs.RO
Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning
Instituto Federal Catarinense(圣卡塔琳娜联邦学院)
针对当前网络攻击速度远超人工响应能力的问题,提出基于机器学习的SDN自主防御系统,通过NDC和IPS模块实现实时攻击检测与自动阻断,SYN洪水攻击响应时间达21秒。
2026-08-27 cs.CR cs.LG
From Fleet to Lab: Revisiting the Security and Complexity of Industrial Rowhammer Mitigation
Georgia Institute of Technology(佐治亚理工学院)
本文分析工业级Rowhammer缓解方案Sigries的安全漏洞与复杂性问题,提出FiRM系列方案,通过协同设计跟踪与采样模式,实现低开销、安全的Rowhammer防御,性能优于Sigries与PARA。
2026-08-27 cs.AR cs.CR
Recognition Without Mitigation: Ethical Frameworks in Autonomous Offensive-LLM Agent Research
TU Wien(维也纳工业大学)
本文分析利用大语言模型进行进攻性安全研究的论文,探讨伦理考量的表达与合理性,揭示学术社区在创新与伦理责任之间的平衡现状。
2026-09-04 cs.CR
Taming OpenClaw: Security Analysis and Mitigation of Autonomous LLM Agent Threats
Ant Group & Tsinghua University(蚂蚁集团与清华大学);Tsinghua University(清华大学)
本文分析了自主LLM代理OpenClaw的安全威胁,提出五层安全框架,揭示现有防御机制的不足,并提出包括插件审查、上下文过滤等在内的综合防御策略。
2026-03-12 cs.AI cs.CR
APIOT: Autonomous Vulnerability Management Across Bare-Metal Industrial OT Networks
University of Kent(肯特大学);University of Bristol(布里斯托大学)
针对裸机OT设备安全测试依赖人工的问题,提出LLM代理框架APIOT,实现发现、利用、缓解、验证的自主闭环,在360次运行中完成90%主要任务,首次证明端到端自主攻击修复的可行性。
2026-09-22 cs.AI cs.CR
Vulnerability Mitigation System (VMS): LLM Agent and Evaluation Framework for Autonomous Penetration Testing
针对传统渗透测试难以覆盖复杂环境的问题,提出基于大语言模型的自主渗透测试智能体VMS及含200道题的CTF基准,实验验证GPT-4o表现最优,系统与基准已开源以助力自主网络安全工具研发。
2025-07-14 cs.CR
SCARA: A Semantics-Constrained Autonomous Remediation Agent for Opaque Industrial Software Vulnerabilities
Shenyang University of Technology(沈阳工业大学);Key Laboratory of Information Security for Petrochemical Industry in Liaoning Province(辽宁省石化行业信息安全重点实验室)
本文提出SCARA,一种用于不透明工业软件漏洞的语义约束自主修复代理,通过四阶段流水线将二进制漏洞候选连接到条件验证的修复方案,实现了100%的精度和88.9%的修复成功率。
2026-05-19 cs.CR cs.SE
A Survey of Stealth Malware: Attacks, Mitigation Measures, and Steps Toward Autonomous Open World Solutions
University of Colorado at Colorado Springs(科罗拉多大学科罗拉多泉分校)
随着我们的职业、社会和金融领域日益数字化,以及我们的政府、医疗保健和军事基础设施越来越依赖计算机技术,它们为恶意软件提供了更大、更有利可图的目标。特别是隐形恶意软件构成了更大的威胁,因为它专门设计用于逃避检测机制,在长时间内在野外休眠传播,收集敏感信息或定位自己以进行高影响力的零日攻击。监管不断增长的攻击面需要开发具有改进的泛化能力的高效反恶意软件解决方案,以检测新型恶意软件并在尽可能减少人类专家负担的情况下解决这些事件。在本文中,我们调查恶意隐形技术以及现有的解决方案,检测和分类这些对策自主。虽然机器学习提供了越来越多的自主解决方案的潜力,提高了泛化到新的恶意软件类型,在网络级别和主机级别,我们的研究结果表明,几个有缺陷的假设固有的大多数识别算法,防止隐形恶意软件识别问题和机器学习解决方案之间的直接映射。这些有缺陷的假设中最值得注意的是封闭世界假设:在查询时不会出现属于静态训练集之外的类的样本。我们提出了一个形式化的自适应开放世界框架隐形恶意软件识别和数学相关的研究从其他机器学习领域。
2016-12-02 cs.CR cs.CV
Poisoning Attacks on Cyber Attack Detectors for Industrial Control Systems
Ben-Gurion University of the Negev(内盖夫本-古里安大学);University of Cagliari(卡利亚里大学)
最近,已经提出了基于神经网络(NN)的方法,包括自动编码器,用于检测针对工业控制系统(ICS)的网络攻击。这种检测器通常使用在系统操作期间收集的数据来重新训练,以应对自然演变(即,概念漂移)。然而,通过利用这种机制,攻击者可以在训练时伪造由损坏的传感器提供的信号,并毒化检测器的学习过程,使得网络攻击在测试时未被检测到。通过这项研究,我们首次在ICS网络攻击在线NN检测器上展示了这种中毒攻击。我们提出了两种不同的攻击算法,即插值和反向梯度中毒,并证明其有效性的合成和真实世界的ICS数据。我们还讨论和分析了一些潜在的缓解策略。
2020-12-23 cs.CR cs.LG
Security-by-Design at the Telco Edge with OSS: Challenges and Lessons Learned
本文通过工业研发项目,探讨了基于开源软件保护电信边缘计算平台GENIO的安全设计实践,识别威胁并应用多种缓解措施,总结了经验教训及安全方案的成熟度与局限性。
2025-04-30 cs.CR
SPGNN-API: A Transferable Graph Neural Network for Attack Paths Identification and Autonomous Mitigation
本文提出SPGNN-API框架,利用可迁移图神经网络结合漏洞交互建模识别网络攻击路径,并通过主动调整防火墙规则和零信任策略实现自主威胁缓解,实验显示其最短路径识别准确率≥95%,潜在受破坏资产检测率达100%。
2023-11-22 cs.CR cs.NE cs.NI
A Standardized Ontology for Intent-Based Security Management in Autonomous Networks
Ericsson(爱立信)
针对5G-Advanced和6G云原生电信架构的复杂性,提出基于TM Forum TR292I安全本体v4.0.0的声明式自保护框架,利用描述逻辑和自动图推理在闭环执行管道中动态中和实时威胁,并通过分布式拒绝服务攻击缓解案例验证了模型驱动架构的有效性。
2026-06-16 cs.CR
End-to-end Uncertainty-based Mitigation of Adversarial Attacks to Automated Lane Centering
Northwestern University(西北大学);University of California, Irvine(加利福尼亚大学欧文分校)
在高级驾驶辅助系统(ADAS)和自动驾驶车辆的开发中,基于深度神经网络(DNN)的机器学习技术已被广泛用于车辆感知。与传统方法相比,这些技术在平均感知准确度上提供了显着的改进,然而,已经被证明容易受到对抗攻击的影响,其中输入中的小扰动可能导致感知结果中的显着错误并导致系统故障。大多数解决这种对抗攻击的现有工作只关注传感和感知模块。在这项工作中,我们提出了一个端到端的方法,解决了整个感知,规划和控制模块的对抗攻击的影响。特别是,我们选择了一个目标ADAS应用,OpenPilot中的自动车道居中系统,量化了对抗攻击下的感知不确定性,并基于不确定性分析设计了相应的鲁棒规划和控制模块。我们使用公共数据集和生产级自动驾驶模拟器来评估我们提出的方法。实验结果表明,该方法能有效地减轻对抗攻击的影响,与原OpenPilot相比,性能提高了55%~ 90%.
2021-02-27 cs.CR cs.LG cs.RO
Towards Principled Analysis and Mitigation of Space Cyber Risks
针对空间基础设施网络风险认知不足的问题,本研究通过提出攻击表征框架、分析现有实践、确立工具评估属性及构建级联效应建模框架,推动了空间网络风险分析与缓解的技术发展。
2025-08-23 cs.CR
LLMPot: Dynamically Configured LLM-based Honeypot for Industrial Protocol and Physical Process Emulation
Center for Cyber Security, New York University Abu Dhabi(网络安全中心,纽约大学阿布扎克分校)
针对工业控制系统蜜罐部署需人工复刻协议、设备特征与PLC控制逻辑的难题,提出基于大语言模型的LLMPot蜜罐方案,可自动化生成适配任意厂商配置与控制逻辑的拟真蜜罐,实验验证了其有效性。
2025-05-19 cs.CR cs.LG
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
Credential Masquerading and OpenSSL Spy: Exploring ROS 2 using DDS security
自主机器人部署的趋势正处于上升的增长曲线上。这些机器人正在承担新的任务,并正在融入社会。这种趋势的例子是自动驾驶汽车,人形机器人和老年人护理。从工厂车间到街道和家庭的移动也增加了对手可以利用的漏洞数量。为了提高安全性,Robot操作系统(ROS)2已经标准化了使用数据分布式服务(DDS)作为消息传递层,其支持用于保护具有访问控制实施的各方之间的消息的安全标准。DDS安全性依赖于OpenSSL和指定敏感数据位置的安全配置文件。DSS安全性假设底层操作系统(OS)是安全的,并且依赖关系是一致的,但不执行持续的完整性检查。本文着眼于两个漏洞,我们利用OpenSSL间谍进程和安全属性文件操作。每个漏洞的概述提供了一个评估的缓解技术,可以在客户端计算机,服务器和其他领域。由于ROS 2和DDS是在用户空间运行的,因此这些进程很容易出现漏洞。我们提供有关缓解技术的建议,因为目前自主平台的部署没有针对在线或离线威胁的安全防护。信任平台模块(TPM)是机器人系统的新功能,但标准使用模型并没有为我们讨论的攻击类型提供操作系统层以上的风险缓解。
2019-04-27 cs.CR
The Future Internet of Things and Security of its Control Systems
我们考虑工业控制系统的未来网络安全。正如我们所看到的,未来的大部分内容都是在物联网(IoT)的背景下展开的。事实上,我们设想所有的工业和基础设施环境,以及一般的网络物理系统,都将采用今天所称的物联网的形式。物联网被设想为大量密集互连的异构设备,并与实现各种目标的目标进行通信,通常是协作式的。有人可能会说,在不久的将来,物联网建设将取代工业厂房、基础设施、住房和其他系统,这些系统目前由ICS和SCADA系统控制。在物联网环境中,网络安全将主要来自系统敏捷性、移动目标防御、网络机动和其他自主或半自主行为。物联网的网络安全也可能受益于混合可信系统的新设计方法;以及大数据分析-预测性和自主性。
2016-10-06 cs.CR cs.CY
ICSLure: A Very High Interaction Honeynet for PLC-based Industrial Control Systems
University of Calabria(卡拉布里亚大学);IMT School for Advanced Studies Lucca(卢卡高等研究院)
针对传统ICS蜜罐真实感不足的问题,提出融合实体PLC与虚拟化网络组件的高交互蜜网框架ICSLure,可高保真模拟工业环境,提升威胁数据质量,助力ICS攻击分析与防护。
2025-09-04 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
Communication-Aware Quantum-Inspired Reinforcement Learning for Cyber-Resilient V2X Intrusion Detection and Mitigation
Prince Sattam Bin Abdulaziz University(沙特萨勒曼本阿卜杜勒阿齐兹国王大学);National University of Computer and Emerging Sciences(巴基斯坦国立计算机与新兴科学大学)
提出量子启发强化学习框架QIRL,结合轻量级深度Q网络、量子态编码和代价敏感MDP,实现高精度、超低延迟的自适应入侵检测,在CICIDS2017和UNSW-NB15上验证了有效性。
2026-07-14 cs.CR
Jamming Detection for IR-UWB Ranging Technology in Autonomous UAV Swarms
干扰是拒绝服务(J-DoS)攻击的一种形式。它是导致无人机系统故障的重大威胁,特别是在恶劣环境中使用时。攻击者主要通过遵循一些预先存在的场景在无线通信环境中操作。在本文中,我们提出了一个思想的干扰检测机制。该机制利用系统可用的网络参数和一些额外的措施来区分不良传输质量和干扰,以避免误报。在检测到干扰攻击后,可以应用适当的对策或缓解技术来保持系统安全。
2022-01-12 cs.CR
ICSSPulse: A Modular LLM-Assisted Platform for Industrial Control System Penetration Testing
Norwegian University of Science and Technology(挪威科技大学)
ICSSPulse是一个模块化平台,利用LLM生成报告,用于工业控制系统安全评估和渗透测试。
2026-02-24 cs.CR
Consumer, Commercial and Industrial IoT (In)Security: Attack Taxonomy and Case Studies
物联网(IoT)设备在我们的生活中变得无处不在,应用范围从消费领域到商业和工业系统。物联网设备的急剧增长和广泛采用加强了设备开发生命周期中健全和强大的网络安全实践的重要性。物联网相关的漏洞如果被成功利用,不仅会影响设备本身,还会影响物联网设备运行的应用领域。显然,查明和解决每一个脆弱性是一项艰巨的任务,如果不是不可能的话。攻击分类法可以帮助对攻击及其相应的漏洞进行分类。然后,可以利用安全对策和最佳实践来缓解威胁和漏洞,以免它们成为灾难性攻击,并确保整体安全的物联网操作。因此,在本文中,我们提供了一种攻击分类,该分类考虑了物联网堆栈的不同层,即,设备、基础设施、通信和服务,以及每一层可被对手利用的指定特征。此外,我们还使用了9起针对消费者、商业和工业部门部署的物联网设备的真实网络安全事件,描述了物联网相关的漏洞、利用程序、攻击、影响以及潜在的缓解机制和保护策略。这些(以及许多其他)事件突出了物联网系统的潜在安全问题,并展示了此类互联生态系统的潜在攻击影响,而拟议的分类法提供了一个系统化的程序,根据受影响的层和相应的影响对攻击进行分类。
2021-05-14 cs.CR
Resilient Cooperative Adaptive Cruise Control for Autonomous Vehicles Using Machine Learning
University of Florida(佛罗里达大学)
协同自适应巡航控制(CACC)是一种基本的互联车辆应用,它通过利用车对车(V2V)通信来扩展自适应巡航控制。CACC是众多自动驾驶汽车功能的关键组成部分,包括队列行驶、分布式路线管理等。不幸的是,恶意V2V通信可能会破坏CACC,导致字符串不稳定和道路事故。在本文中,我们开发了一种新的弹性基础设施,RACCON,用于检测和减轻对CACC的V2V攻击。RACCON使用机器学习来开发车载预测模型,该模型可以捕获异常的车辆响应并实时的执行缓解。支持RACCON的车辆可以利用CACC的高效率,而不会影响安全性,即使在潜在的敌对场景下也是如此。我们提出了广泛的实验评估,以证明RACCON的疗效。
2021-03-18 cs.CR cs.RO cs.SY
Hidden in Plain Sound: Environmental Backdoor Poisoning Attacks on Whisper, and Mitigations
Örebro University(厄勒布鲁大学)
本文提出针对Whisper语音识别模型的环境后门投毒攻击,将环境触发音映射至不同目标短语,并探索使用Silero VAD作为防御机制以过滤恶意触发。
2024-09-19 cs.CR cs.SD eess.AS