شناسايي و جلوگيري از حملات در خودروهاي خودران هوشمند

كارشناسي ارشد

يادگيري عميق حل‌كننده بسياري از مسائل است كه حوزه‌هاي ديگر هوش مصنوعي در حل آن‌ها ناكام بوده‌اند. شبكه‌هاي عصبي عميق علي‌رغم تمام مزايا و ويژگي‌هاي مثبت خود، در برابر حملات مخرب شديداً آسيب‌پذير هستند. اين آسيب‌پذيري موجب كاهش چشم‌گير دقت خصمانه طبقه‌بندي كننده‌هاي اشيا شده است. باوجود تلاش‌ها و پژوهش‌هاي فراوان در اين موضوع كماكان دقت خصمانه شبكه‌هاي عصبي عميق در برابر حملات مخرب مختلف پايين بوده و به عدد قابل‌قبولي دست نيافته است. علاوه بر اين با ظهور و پيدايش حملات جديد‌تر و پيچيده‌تر، مقاوم‌سازي شبكه‌ها در برابر حملات مخرب بسيار پيچيده‌تر از قبل شده است. در اين پايان‌نامه، ما يك متد جديد مبتني بر شبكه‌هاي ترنسفورمر قبلي را توسط لايه‌هاي كانولوشني عميق و داده افزايي جانبي مقاوم‌سازي كرده‌ايم. و اين مدل را در دو اندازه با پيچيدگي‌هاي متفاوت ارائه كرده‌ايم. جهت ارزيابي كار اين مدل را با 5 مدل مشهور ديگر از شبكه‌هاي ترنسفورمر مورد مقايسه قرار داده‌ايم. براي ارزيابي دقت خصمانه از 2 حمله جعبه سفيد FGSM و PGD استفاده كرده‌ايم. همچنين جهت ارزيابي بهتر مدل، مدل معرفي‌شده را با استفاده از دو حمله جعبه سياه جديد Texture PatchAttack و Sparse-RS نيز موردبررسي قرار داده‌ايم. اين حملات داراي قدرت بالايي هستند مي‌تواند عملكرد مدل پيشنهادي ما را به‌خوبي مورد ارزيابي قرار دهند. عملكرد مدل ارائه‌شده در اين پايان‌نامه بر روي دو پايگاه داده GTSRB و cifar 100 موردبررسي قرارگرفته است. كه از پركاربردترين پايگاه‌هاي داده در حوزه طبقه‌بندي اشيا هستند. ما توانسته‌ايم با استفاده از مدل پيشنهادي به‌دقت تميز 99.1% برسيم كه بيشتر از تمامي كارهاي قبلي است. همچنين دقت خصمانه را از 59.4% در بهترين كار پيشين به 77.8% براي پايگاه داده علائم راهنمايي رانندگي آلمان افزايش دهيم. نتايج نشان مي‌دهند كه روش پيشنهادي علاوه بر نتايج قابل‌قبول در بخش حملات جعبه سفيد در برابر حملات جعبه سياه جديد نيز عملكرد قابل‌قبولي دارد و مي‌توان به اعتبار مقاومت اين روش در استفاده از طبقه‌بندي‌هاي خودرو خودران اميدوار بود.

210787

دانشگاه علم و صنعت ايران

مهندسي برق- الكترونيك ـ ديجيتال

شهريار برادران شكوهي