Is Stochastic Mirror Descent Vulnerable to Adversarial Delay Attacks? A Traffic Assignment Resilience Study

要約

タイトル：Stochastic Mirror Descentは遅延攻撃に弱いのか？　交通割当応答性の研究

要約：
– インテリジェントナビゲーションシステム（INS）は、データ収集プロセス中にINSと交通ネットワークの間の通信チャネルを介してよくインターセプトされる、ますます多くの情報攻撃ベクトルにさらされている。
– INSの強靭性を測定するために、Wardrop Non-Equilibrium Solution（WANES）の概念を使用する。これは、有界な相互作用の数の中での学習の確率的結果によって特徴付けられる。
– 集中論証を使用することで、任意の有界フィードバック遅延攻撃は、遅延ミラーディセント（DMD）オンライン学習フレームワークの交通フロー軌跡全体で$\tilde{\mathcal{O}}(\sqrt{{d^3}{T^{-1}}})$のオーダーでシステム的パフォーマンスを低下させることがわかった。
– この性能の低下は、緩やかな仮定が課せられた場合に発生する可能性があり、結果として、学習ベースのINSインフラストラクチャは、情報構造の一定期間の妨害に直面してもWardrop Non-equilibriumを達成できることを意味する。
– これらの調査結果は、輸送エコシステムのさまざまなレイヤーでのジャミング攻撃に対する防御メカニズムの設計のための貴重な洞察を提供します。

要約(オリジナル)

\textit{Intelligent Navigation Systems} (INS) are exposed to an increasing number of informational attack vectors, which often intercept through the communication channels between the INS and the transportation network during the data collecting process. To measure the resilience of INS, we use the concept of a Wardrop Non-Equilibrium Solution (WANES), which is characterized by the probabilistic outcome of learning within a bounded number of interactions. By using concentration arguments, we have discovered that any bounded feedback delaying attack only degrades the systematic performance up to order $\tilde{\mathcal{O}}(\sqrt{{d^3}{T^{-1}}})$ along the traffic flow trajectory within the Delayed Mirror Descent (DMD) online-learning framework. This degradation in performance can occur with only mild assumptions imposed. Our result implies that learning-based INS infrastructures can achieve Wardrop Non-equilibrium even when experiencing a certain period of disruption in the information structure. These findings provide valuable insights for designing defense mechanisms against possible jamming attacks across different layers of the transportation ecosystem.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI