An Anomaly Behavior Analysis Framework for Securing Autonomous Vehicle Perception

要約

急速に成長するサイバーフィジカル プラットフォームとして、自動運転車 (AV) は、その機能が拡大し続けるにつれて、より多くのセキュリティ課題に直面しています。
近年、攻撃者は自動運転車の知覚センサーを積極的に標的にし、車両の制御システムでは簡単に検出できない高度な攻撃を行っています。
この研究では、自動運転車に対する知覚センサー攻撃を検出するための異常動作分析アプローチを提案しています。
このフレームワークは、物理ベースの自律車両動作モデルから抽出された時間的特徴に依存して、自動運転における車両の知覚の通常の動作を捕捉します。
提案されたフレームワークは、モデルベースの技術と機械学習アルゴリズムの組み合わせを採用することにより、車両の正常な知覚挙動と異常な車両知覚挙動を区別します。
実際にフレームワークの適用を実証するために、自動運転車のテストベッドで深度カメラ攻撃実験を実行し、広範なデータセットを生成しました。
私たちは、この現実世界のデータを使用して、提案されたフレームワークの有効性を検証し、データセットを一般公開しました。
私たちの知る限り、このデータセットはこの種のものとしては初めてのものであり、研究コミュニティが侵入検知技術を効果的に評価する上で貴重なリソースとして役立つでしょう。

要約(オリジナル)

As a rapidly growing cyber-physical platform, Autonomous Vehicles (AVs) are encountering more security challenges as their capabilities continue to expand. In recent years, adversaries are actively targeting the perception sensors of autonomous vehicles with sophisticated attacks that are not easily detected by the vehicles’ control systems. This work proposes an Anomaly Behavior Analysis approach to detect a perception sensor attack against an autonomous vehicle. The framework relies on temporal features extracted from a physics-based autonomous vehicle behavior model to capture the normal behavior of vehicular perception in autonomous driving. By employing a combination of model-based techniques and machine learning algorithms, the proposed framework distinguishes between normal and abnormal vehicular perception behavior. To demonstrate the application of the framework in practice, we performed a depth camera attack experiment on an autonomous vehicle testbed and generated an extensive dataset. We validated the effectiveness of the proposed framework using this real-world data and released the dataset for public access. To our knowledge, this dataset is the first of its kind and will serve as a valuable resource for the research community in evaluating their intrusion detection techniques effectively.

arxiv情報

著者 Murad Mehrab Abrar,Salim Hariri
発行日 2024-03-29 06:08:45+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY パーマリンク