关于攻击视觉传感器的调研（下篇）

引言

近年来，随着无人机和自动驾驶汽车技术的迅猛发展，视觉传感器的安全性日益受到关注。无人机广泛应用于电力巡检、包裹投递等领域，自动驾驶汽车则利用多种传感器实现环境感知和驾驶决策。然而，这些系统的视觉传感器容易受到攻击，可能导致严重的安全隐患。常见的攻击方法包括GPS干扰与欺骗、对抗样本攻击和信号干扰等。这些攻击不仅影响无人机和自动驾驶汽车的功能，还可能导致一些交通事故。

本文概述了无人机和自动驾驶汽车的视觉系统，强调了其在环境感知中的核心作用，以及它们面临的攻击挑战。同时根据两篇近年来的论文，针对激光攻击和红外光攻击的实验研究进一步验证了视觉传感器的脆弱性，本文对其作简要分析。展望未来，研究者需要持续关注新兴的攻击技术，并开发智能化的防御系统，以应对不断变化的威胁环境，推动智能交通和无人机系统的安全发展，为未来的交通系统提供可靠保障。

本文将分为上下两篇，上半篇主要介绍相关调研背景、关于自动驾驶与无人机的视觉系统概述和不可见光攻击自动驾驶汽车的典型案例，下半篇主要介绍一种通过激光攻击无人机的实例研究，并对视觉传感器相关领域的挑战以及未来的发展进行总结和展望。

激光攻击无人机

最近，Zhang Jiefu等人[1]提出了一种对无人机视觉传感器的基于激光的远程攻击，可以在不同环境下导致摄像头功能失败。与之前基于自动车辆的工作相比，丰富了攻击模型的同时增加了在实际场景中的攻击。此外，还对每个变量进行了分析，以解释每个变量如何影响攻击。最后，提出了基于硬件和软件的建议，以提高对攻击的抵御能力。

1.1 攻击背景

攻击无人机的视觉传感器部分，首先给定以下三个前提条件。

1.攻击者无法访问目标无人机。我们假设攻击者无法物理接触目标无人机来添加特殊设备或提前在某处进行标记，但是，攻击者完全了解目标无人机的特征，这些知识可以通过首先获取无人机型号，然后在发起攻击之前对相同型号的无人机进行分析来获得。

2.攻击者和无人机操作员之间没有互动。我们假设攻击者无法与操作员交互，并要求操作员更改目标无人机的设置（例如更改飞行模式、调整摄像头参数），这可能会对攻击产生影响。在我们的实验中，所有目标无人机都设置为初始状态，以模拟现实世界中最常见的情况。

3.操作员无法看到无人机。我们假设目标无人机距离操作者较远或者操作者看不到的其他情况。这意味着操作者无法通过眼睛直接获取周围环境的距离信息。在这种情况下，操作员只能依靠摄像头和传感器的显示和数据来保证飞行安全。即使无人机受到攻击，操作者也不会怀疑数据。

1.2 实验条件

硬件。攻击装备相当简单。实验中使用的定制激光笔平均每支10美元。即使不使用定制设备，攻击者也能取得良好的效果，从而降低了攻击成本。

攻击场景。攻击场景是指攻击者如何发起攻击。首先，完整的攻击设备体积小、便于携带，因此攻击者可以轻松携带和隐藏设备。其次，激光的有效攻击距离足够长，攻击者可以在远处发起攻击。最后，敌方可以根据飞行路线或已知任务，提前在特定地点部署攻击设备。

真实攻击样本。真实的攻击样本如图，其中（a）是攻击前的原始照片，人物和背景清晰。(b)是攻击后的照片，没有检测到任何有价值的东西，说明攻击成功。

图1 真实攻击样本示意图

1.3 室内实验

在室内实验中，选择五个可能对结果产生影响的变量。

1.波长选择：使用了660 nm（红色）、532 nm（绿色）、435 nm（紫色）和940 nm（红外）波长的激光，研究了这些波长对无人机视觉传感器的不同影响。

2.距离：设定攻击距离为1.5米、3米和4.5米，以评估不同距离对攻击效果的影响。

3.角度：设置0度、30度和60度角，分析激光入射角度对攻击效果的影响。

4.光强：激光光强分为5000 lux和10000 lux两级。

5.环境亮度：环境亮度设为25 lux和110 lux，观察不同光强和环境亮度下的攻击效果。

分别做室内试验，得出：角度是影响攻击效果的最重要因素。当激光与相机镜头的角度增大时，攻击效果显著下降。光强在较小角度下（0度和30度）影响较小，但在60度时，较高光强的激光攻击效果明显增强。红色和绿色激光相对于紫外光和红外光在视觉传感器中更容易被检测到，因此攻击效果更好。

图2 激光攻击无人机室内实验的示意图

1.4 室外实验

在室外实验中，研究者模拟了激光攻击对无人机避障和目标识别功能的影响，主要针对无人机的双目视觉传感器和摄像头进行测试。在实验过程中，操作员首先控制无人机接近障碍物并开启激光攻击，结果显示激光可以成功干扰视觉传感器，使无人机在靠近障碍物时无法及时停下，从而导致碰撞。此外，当激光瞄准无人机的摄像头时，其目标识别和跟踪功能被严重干扰，无人机无法准确追踪目标。

这些实验结果表明，激光攻击在实际场景中对无人机的视觉系统具有显著破坏性。

图3 激光攻击无人机室外实验的示意图

1.5 防御措施

研究者提出了多种防御措施来应对激光攻击对无人机视觉传感器的干扰，包括硬件和软件两方面的方法。

在硬件防御方面，研究者建议在视觉传感器上增加滤光片，以阻挡特定波长的激光进入镜头，从而减少激光对成像的干扰。此外，改进传感器的设计，使其对激光攻击不再过于敏感，也是一种有效的手段。这些硬件方法旨在提升视觉传感器的物理防护能力，从而在面对激光攻击时增强设备的抗干扰性。

在软件防御方面，论文提出了利用图像处理算法检测异常图像特征的方法。例如，当激光攻击导致图像中出现不自然的高亮点或饱和区域时，系统可以通过算法识别这些异常特征，从而判断是否受到了攻击。这类算法可以实时监控传感器的数据输出，并在检测到攻击迹象时及时触发应对机制。软件防御策略的优势在于灵活性高，能够通过更新算法适应不同类型的攻击场景。

总结

随着自动驾驶和无人机技术的不断进步，视觉传感器的安全性变得愈发重要。未来，针对视觉传感器的攻击可能会更加多样化和复杂化，这对系统的安全防护提出了更高的要求。因此，研究者和工程师需要持续关注新兴的攻击技术，及时识别潜在的安全隐患，以便开发相应的防御机制。跨学科的合作将是推动研究进展的重要因素，通过结合计算机视觉、网络安全、深度学习等领域的最新成果，研究团队可以更有效地应对攻击的复杂性和多样性，从而保护无人机和自动驾驶车辆的安全。

新的系统不仅应具备检测和响应攻击的能力，还要具备自我学习的功能，以适应不断变化的威胁环境。例如，通过使用深度学习算法分析历史攻击数据，可以识别出潜在的攻击模式并生成实时防御策略。此外，采用多层次的安全机制，如多传感器融合和异常检测，将有助于增强系统的鲁棒性。只有通过不断优化和提升防御措施，才能为智能交通和无人机系统提供可靠的安全保障。

最后，随着智能交通和无人机应用的普及，社会对这些技术的安全性和可靠性要求也在提高。各国政府和行业监管机构需加强合作，制定相关的安全标准和法规，以确保无人机和自动驾驶汽车的安全运行。公众意识的提升也至关重要，用户需要了解潜在的安全风险，从而在使用这些技术时采取必要的预防措施。通过全社会的共同努力，推动技术的安全与发展，将是实现更安全、高效的未来交通系统的关键。

参考文献

[1] FU Z, ZHI Y, JI S, et al. Remote Attacks on Drones Vision Sensors: An Empirical Study [J]. IEEE Transactions on Dependable and Secure Computing, 2022, 19(5): 3125-35.

[2] ZHENG J, LIN C, SUN J, et al. Physical 3D adversarial attacks against monocular depth estimation in autonomous driving; proceedings of the Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, F, 2024 [C].

[3] JIN Z, JI X, CHENG Y, et al. Pla-lidar: Physical laser attacks against lidar-based 3d object detection in autonomous vehicle; proceedings of the 2023 IEEE Symposium on Security and Privacy (SP), F, 2023 [C]. IEEE.

[4] MANESH M R, KENNEY J, HU W C, et al. Detection of GPS Spoofing Attacks on Unmanned Aerial Systems; proceedings of the 2019 16th IEEE Annual Consumer Communications & Networking Conference (CCNC), F 11-14 Jan. 2019, 2019 [C].

中国保密协会

科学技术分会

长按扫码关注我们

作者：俱硕中国科学院信息工程研究所

责编：郝璐萌

2023年精彩文章TOP5回顾

近期精彩文章回顾