Work

Reinforcement-Learning-Based Attacks on Adaptive Traffic Control Systems

Year: 2021
Type: dissertation
Abstract: Grâce à l'utilisation des capteurs et aux nouvelles technologies de la communication, les systèmes de contrôle adaptatif de trafic routier (Adaptive Traffic Control Systems ou ATCS) sont devenus une solution prometteuse dans le domaine du contrôle de la route au sein des villes modernes.Ces systèmes visent à diminuer la congestion routière en adaptant continuellement les feux de signalisation à la demande de trafic en temps réel.Cependant, le manque de mesures de sécurité adoptées dans ce domaine rend ces systèmes vulnérables à des attaques informatiques.Étant donné que ces systèmes sont capables de estimer le comportement des véhicules, le fonctionnement d'un ATCS est bien dynamique face aux conditions du trafic de la route.Par conséquent, la réponse du système n'est pas connue préalablement.Nous basons notre étude sur l'hypothèse qu'une attaque informatique est plus difficile à détecter lorsqu'un attaquant cible un système adaptatif, contrariement à un système traditionnel dont le fonctionnement demeure toujours immuable.Néanmoins, une attaque qui reste inaperçue demande un niveau de raffinement élevé.Dans cette optique, nous avons développé une plateforme d'essai pour réproduire des attaques intelligents sur un système ATCS générique.La solution proposée intègre des techniques d'apprentissage profond par renforcement (Deep Reinforcement Learning ou DRL) pour contrôler le traffic dans un réseau routier avec un simulateur microscopique de trafic routier.En utilisant les techniques de DRL, nous avons entrainé un agent pour produire de la congestion dans un réseau routier composé de 25 intersections.L'algorithme d'apprentissage fut Proximal Policy Optimization (PPO).Cette plateforme permet l'exécution des cyberattaques sur deux scénarios différents.Le premier reproduit les actions d'un attaquant qui connait l'organisation de l'intérieur, tandis que le deuxième vise à simuler l'exécution d'une attaque de l'homme au milieu (Man-in-the-Middle ou attaque MITM) depuis l'extérieur de la compagnie.Dans ce contexte, nous présentons un outil de tests qui fournit l'environnement nécessaire pour déployer ces scénarios.Ensuite, nous évaluons les impacts d'attaquer des intersection critiques dans le premier scénario.L'agent intelligent est capable d'injecter des commandes informatiques illégitimes afin de perturber la réponse normale du système et provoquer de la congestion sur le réseau routier.Nos expériences démontrent que l'agent a augmenté le retard moyen global des véhicules en un 8,2% et le nombre des voitures ayant une vitesse proche à zéro en un 10,6%.En outre, les véhicules peuvent ralentir jusqu'à 2,27 m/s à cause des actions exécutées par l'agent.Finalement, nous avons rajouté une couche de communication afin de réproduire le vi flux de communication qui a lieu dans un ATCS réel.Cela rend possible le déroulement des attaques informatiques d'un attaquant externe sur notre plateforme.
Language: French
Open Access status: green
OpenAlex ID: W7024211254
Cites: 62
Cited by:
Related to: 10