XiaoMi-AI文件搜索系统
World File Search Systemspoo
安全符合OT -barracuda Cloudgen防火墙
（dos/ddos）•spoo填充和流动protecbon•arp spoo for和trashing protecbon•dns suptutabon滤波器•nat（snat，dnat），pat，pat•动态规则•动态规则•bmer触发•单一对象的规则设置
检测航空临时网络中的欺骗攻击...
摘要 — 我们考虑一个依赖于在欺骗者存在的情况下运行的飞机的航空自组织网络。如果合法飞机发送信号并且没有欺骗攻击，则地面基站接收到的聚合信号被视为“干净”或“正常”。相反，面对欺骗信号，接收信号被视为“虚假”或“异常”。自动编码器 (AE) 经过训练以从训练数据集中学习特征/特性，该训练数据集仅包含与没有欺骗攻击相关的正常样本。AE 将原始样本作为其输入样本并在其输出中重建它们。基于训练后的 AE，我们定义了欺骗发现算法的检测阈值。更具体地说，将 AE 的输出与其输入进行对比，将为我们提供曲线峰值方面的几何波形相似性/不相似性的度量。为了量化未知测试样本与给定训练样本（包括正常样本）之间的相似性，我们首先提出一种所谓的基于偏差的算法。此外，我们估计每架合法飞机的到达角（AoA），并提出一种所谓的基于 AoA 的算法。然后，基于这两种算法的复杂融合，我们形成了最终的检测算法，用于在严格的测试条件下区分虚假异常样本和正常样本。总之，我们的数值结果表明，只要仔细选择检测阈值，AE 就可以改善正确的欺骗检测率和误报率之间的权衡。
基于人工智能的民用城市空中交通探索性网络物理安全分析框架
摘要：城市空中交通 (UAM) 已成为服务于智能公民的潜在文明候选者，例如通过送货、监视和空中出租车。然而，由于商用 UAM 使用公开可用的通信基础设施，这增加了干扰和欺骗攻击以窃取或撞毁 UAM 中的飞行器的风险，因此安全问题日益严重。为了保护商用 UAM 免受网络攻击和盗窃，本文提出了一种基于人工智能 (AI) 的探索性网络物理安全分析框架。所提出的框架设计了基于监督学习的 AI 方案，例如决策树、随机森林、逻辑回归、K 最近邻 (KNN) 和长短期记忆 (LSTM)，用于预测和检测网络干扰和欺骗攻击。然后，开发的框架基于控制消息之间的皮尔逊相关系数分析条件依赖关系，以根据 AI 算法的结果查找潜在攻击的原因。本研究将 UAM 姿态控制场景作为确定干扰和欺骗攻击的用例，以使用最先进的无人机攻击数据集验证所提出的框架。实验结果表明，所提出的框架的有效性，使用决策树、随机森林和 KNN 进行干扰和欺骗检测的准确率约为 99.9%，同时有效地找到攻击的根本原因。
海报：自适应高频去除攻击，以绕过新产品激光雷达中的脉冲指纹
摘要 - Lidar是自动驾驶汽车领域（AVS）领域的关键传感器。怨恨的研究积极研究了针对LiDAR SPOFOFG攻击的各种安全意义。为了防止这些攻击，预计Pulse -Fifferpinting是最有前途的对策之一，最近的研究表明了其高防御能力，尤其是防止物体清除攻击。在此海报中，我们报告了针对激光雷达攻击的脉冲固定识别进一步的安全性分析的进展。我们设计了一种新颖的自适应攻击策略，即自适应高频去除（A-HFR）攻击，这比现有的HFR攻击可以有效地抵抗更广泛的激光痛。我们评估了对商用激光雷达的A-HFR攻击，并发现A-HFR攻击可以成功地在20°水平和16°垂直角度内成功删除点云的96％以上。我们的发现表明当前的脉冲固定技术可能不会有足够的稳定性来阻止SPOOFEFFIFG攻击。我们最终讨论了我们的未来计划。
针对激光雷达的对抗性光通道漏洞...... - IACR
摘要。随着计算、传感和车辆电子技术的进步，自动驾驶汽车正在成为现实。对于自动驾驶，雷达、激光雷达和视觉传感器等环境感知传感器作为车辆的眼睛发挥着核心作用；因此，它们的可靠性不容妥协。在本研究中，我们提出了一种通过中继攻击进行欺骗，它不仅可以在激光雷达输出中引起错觉，还可以使错觉看起来比欺骗设备的位置更近。在最近的一项研究中，前一种攻击被证明是有效的，但后一种攻击从未被证明过。此外，我们提出了一种针对激光雷达的新型饱和攻击，它可以完全使激光雷达无法感知某个方向。这两种方法的有效性都已通过 Velodyne 的 VLP-16 实验验证。
基于人工智能的广域监测系统分布式信念传播和循环神经网络算法 /作者=Bhamidipati, Sriramya；Kim, Kyeong Jin；Sun, Hongbo；Orlik, Philip V. /创建日期=2020 年 5 月 14 日 /主题=人工智能、通信、多物理建模、信号处理
摘要 为了对广域电网进行监控，人们开发了广域监控系统 (WAMS)。每个变电站都设有全球定位系统 (GPS) 接收系统以提供可信的授时。因此，对于 WAMS 来说，在广域范围内维持真实的 GPS 授时至关重要。然而，由于未加密的信号结构和低信号功率，GPS 授时容易受到欺骗。因此，为了从欺骗中获得可信的 GPS 授时，人们在人工智能 (AI) 框架下开发了一种新的广域监控算法，该算法由分布式信念传播 (BP) 和双向循环神经网络 (RNN) 组成。这种联合 BP-RNN 算法通过利用其分布式处理能力评估估计的 GPS 授时误差来验证每个变电站的身份。特别是，双向 RNN 在人工智能框架下提供了一种快速的授时误差估计方法。仿真结果验证了该方法比基于 Kullback-Leibler 散度的方法具有更快的检测时间，并且定时误差估计精度超过了 IEEE C37.118.1-2011 标准规定的限制。
海报：在自动驾驶系统中发现传感器 - 融合 - 视力攻击
摘要 - 结合了LiDAR和相机等备用器的多数传感器融合（MSF），它引起了人们的关注，以此作为对Lidar Spoofiff的对策，威胁着自动驾驶系统的安全性。但是，当前无国界医生实施的有效性尚未在实际的自主驾驶系统中彻底列出。在这项研究中，我们提出了一个初始框架，旨在基于开源自动驾驶软件AutoWare Universe和Awsim Simulator探索MSF的潜在漏洞。通过使用此框架进行的实验，我们证明了自动保健宇宙中的MSF实现也可能导致整个系统的危险状态，即使摄像机丢失了镜头点云，摄像机可以正确检测对象。此漏洞之所以出现，是因为相机信息仅限于点云聚集中的补充作用。我们的发现表明，自动保健宇宙中的MSF实施缺乏针对LiDAR SPOOFIFG FIFG攻击的能力，由于其结构上的限制。该框架可在以下网址获得：https：// gi thub.com/keio-csg/multi-sensor-defense-analysis-platform。
分析并增强自动驾驶汽车超声波传感器的安全性
摘要 — 自动驾驶汽车依靠传感器测量路况并做出驾驶决策，其安全性在很大程度上取决于这些传感器的可靠性。在所有障碍物检测传感器中，超声波传感器的市场份额最大，预计将越来越多地安装在汽车上。此类传感器通过发射超声波并分析其反射来发现障碍物。通过利用传感器的内置漏洞，我们设计了针对超声波传感器的随机欺骗、自适应欺骗和干扰攻击，并设法欺骗车辆在应该继续行驶时停止，并让它在应该停止时无法停止。我们对独立传感器和移动车辆进行了攻击验证，包括带有“自动驾驶”系统的特斯拉 Model S。结果表明，攻击不仅会导致传感器失明和故障，还会导致自动驾驶汽车失明和故障，从而导致碰撞。为了增强超声波传感器和自动驾驶汽车的安全性，我们提出了两种防御策略，基于单传感器的物理移位认证（在物理层面验证信号）和多传感器一致性检查（使用多个传感器在系统层面验证信号）。我们对真实传感器的实验和 MATLAB 仿真揭示了这两种方案的有效性。
采用：基于点...
深度神经网络（DNN）越来越多地整合到LiDAR（灯光检测和范围）的自动驾驶汽车（AVS）的感知系统（AVS），在对抗条件下需要稳健的性能。一个紧迫的担忧是LiDAR SPOOFEF攻击所带来的挑战，在该攻击中，攻击者将假物体注入LiDAR数据中，导致AVS误解了周围的环境并做出错误的决定。许多经常出租防御算法主要取决于感知输出，例如边界框。但是，这些输出在本质上受到了限制，因为它们是由从自我车辆的特定视图中获得的一组限制点产生的。对边界框的依赖是这种基本约束的体现。为了克服这些局限性，我们提出了一个新的框架，称为采用（基于名称的基于d eTection o n p oInt级的t emporal一致性），该框架基于连续帧的时间一致性，并基于点簇的相干性来量身定量测量跨连续帧的时间一致性。在我们使用Nuscenes数据集的评估中，我们的算法有效地反驳了各种激光局部攻击，达到了低（<10％）的假阳性比率（<10％）的假阳性比（> 85％）真实的正比，超过了现有的现有的现有的先进防御方法，CARLO和3D-TC2。此外，采用在各种道路环境中表现出有希望的准确防御潜力。