Hierarchical Multi-Agent Reinforcement Learning for Assessing False-Data Injection Attacks on Transportation Networks

要約

ドライバーのナビゲーション アプリケーションへの依存度が高まっているため、交通ネットワークは悪意のある攻撃者によるデータ操作攻撃の影響を受けやすくなっています。
攻撃者は、ナビゲーション サービスのデータ収集または処理の脆弱性を悪用して、偽の情報を挿入し、ドライバーのルート選択を妨害する可能性があります。
このような攻撃により、交通渋滞が大幅に増加し、時間とリソースが大幅に浪費されるだけでなく、道路網に依存する重要なサービスが中断される可能性もあります。
このような攻撃によってもたらされる脅威を評価するために、輸送ネットワークに対する最悪のデータインジェクション攻撃を見つけるための計算フレームワークを導入します。
まず、特定の道路でドライバーが感じる移動時間を増やすことでドライバーを操作できる脅威アクターを使用した敵対的モデルを考案します。
次に、階層型マルチエージェント強化学習を使用して、データ操作のためのおおよその最適な敵対戦略を見つけます。
ノースダコタ州スーフォールズのネットワーク トポロジに対する攻撃をシミュレートすることで、アプローチの適用可能性を実証します。

要約(オリジナル)

The increasing reliance of drivers on navigation applications has made transportation networks more susceptible to data-manipulation attacks by malicious actors. Adversaries may exploit vulnerabilities in the data collection or processing of navigation services to inject false information, and to thus interfere with the drivers’ route selection. Such attacks can significantly increase traffic congestions, resulting in substantial waste of time and resources, and may even disrupt essential services that rely on road networks. To assess the threat posed by such attacks, we introduce a computational framework to find worst-case data-injection attacks against transportation networks. First, we devise an adversarial model with a threat actor who can manipulate drivers by increasing the travel times that they perceive on certain roads. Then, we employ hierarchical multi-agent reinforcement learning to find an approximate optimal adversarial strategy for data manipulation. We demonstrate the applicability of our approach through simulating attacks on the Sioux Falls, ND network topology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google