Generative Adversarial Networks to Secure Vehicle-to-Microgrid Services
Notice bibliographique
Résumé
As the use of Artificial Intelligence (AI) becomes more prevalent in the cyber-physical systems, there has been a rise in the number of adversarial attacks targeting Machine Learning (ML) models. Therefore, it has become imperative to safeguard ML models against such attacks. Our analysis under a vehicle-to-microgrid service setting shows that adversaries aim to deceive the victim's ML classifier at the network edge to misclassify the incoming energy requests from microgrid users. In this paper, we introduce an AI-powered framework to detect new instances of Adversarial attacks against Vehicle-to-Microgrid (V2M) systems. The proposed detection technique uses a Generative Adversarial Network (GAN) model and ML classifiers to accurately detect adversarial attacks. We test the proposed detection technique under three strategies of adversarial sample generation. Adversaries perform a two-stage adversarial attack beginning with an inference attack followed by an evasion attack against the victim's ML model. In addition, we investigate how the adversaries' knowledge of the victim's ML training dataset impacts the Adversarial Detection Rate (ADR). We assess five access cases to the victim's ML training dataset varying from a white-box to various levels of a gray-box attack. Moreover, we implement an unsupervised ML algorithm (i.e., DBSCAN) as a baseline method. Through simulations, we show that DBSCAN results in an ADR up to 69% and 17% for gray-box and white-box attacks, respectively. On the other hand, our proposed generative approach (i.e., GAN-based) outperforms DBSCAN resulting in an ADR up to 94.6% for the gray-box attack and 30.2% for the white-box attack.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».