基于深度强化学习的数字孪生自动化隐蔽磨损攻击
Automated Stealthy Wear-Out Attack on Digital Twins With Deep Reinforcement Learning
AI 导读
研究者提出一种基于深度强化学习（DRL）的自动化隐蔽磨损攻击，针对数字孪生工业系统隐蔽操纵控制信号，加速关节磨损并避开异常检测。对 TD3、SAC、PPO、A2C 的基准测试显示，SAC 在样本效率、稳定性和攻击效果上始终最优。在 UR10e 机械臂工业场景的评估中，该攻击显著抬高目标关节扭矩，加速设备退化并推高维护成本。