Mar, 2018

基于对抗网络的空中物理层通信系统设计

PDF
TL;DR本文介绍了一种采用基于学习的方法对通信系统进行物理层调制和编码方案进行合成的新方法，通过采用对抗性方法，可以在广泛的信道环境下共同学习好的解决方案。
physical layermodulationcodinglearning-based approachadversarial system
发现论文，激发创造
  • 端到端自编码通信系统的物理对抗攻击

    通过 DNN 自编码器实现通讯系统的端对端学习对物理对抗攻击极为脆弱，特别是通过广播信道传输良好设计的干扰信号会对传输系统信息的误码率造成数量级的影响，且对抗攻击比干扰攻击更具破坏性，而传统编码方案对抗攻击和干扰攻击的鲁棒性更强。

    Feb, 2019

  • 基于深度学习调制分类器的无线信道上空中对抗攻击

    本研究考虑无线通信系统中的对抗攻击，通过不同的对抗方式，从而使得在考虑信道效果的情况下，仍然可以分类错误，结果表明在 Rayleigh 多径衰落信道下，无线调制分类易受到对抗攻击的影响。

    Feb, 2020

  • 物理层深度学习入门

    本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

    Feb, 2017

  • 物理层攻击在物联网多载波通信中的学习应用

    本文研究了利用深度神经网络和变分自编码器两种机器学习算法进行物理层欺骗攻击的性能，发现随机分配子载波可以使非连续 OFDM 系统对抗这种攻击。

    Aug, 2019

  • 物理层决策机制：事实、挑战和解决方案

    本文介绍了物理层中的典型假设及其与实际系统的差异，并考虑到实现步骤和挑战，系统地讨论了基于学习算法的决策机制设计。此外，通过使用软件定义无线电节点进行实时案例研究，论述了潜在的性能改进和未来措施的物理层的学习驱动框架。

    Feb, 2021

  • 无信道模型的通信系统端到端学习

    本文提出了一种新颖的学习算法，通过监督接收器的训练和基于强化学习的发射器训练之间的迭代来解决没有可微通道模型的端到端通信系统学习问题，并在加性白噪声和瑞利衰落信道上证明了该方法的有效性。

    Apr, 2018

  • 使用深度神经网络进行数字通信的实时无线对抗扰动

    本文旨在使用深度神经网络对广播领域中使用的信号处理算法进行分类，探究故意制造的对抗性扰动可能如何欺骗 DNN 分类器并显著降低其准确度的论题，并尝试定义特定于类别和独立于样本的对抗性扰动，展示这些攻击在物理信道上使用软件定义电台通过空中进行的有效性，以及这些对抗扰动可以从通信设备之外的源头发出，使得这些攻击实用于无法在物理层操纵其传输信号的设备。

    Feb, 2022

  • 攻击是最好的防御：对抗性攻击以避免调制检测

    本文提出了一种抵御针对调制方案进行攻击的无线通信保密方法，通过扰动信道输入符号来达到识别攻击者并保障合法接收端的目的。仿真结果表明，该方法在保证通信效果的同时，能有效防御基于深度学习或决策树的攻击，并证明了多样化的训练数据和课程学习能显著提高攻击准确率。

    Feb, 2019

  • 用于空中频谱毒化攻击的对抗深度学习

    本文提出了一种利用对抗深度学习的方式进行空中频谱污染攻击，攻击者可以构建深度神经网络来学习发射机的行为，对其频谱感知数据进行篡改，并对传输数据占用空闲时间槽。同时，通过打破正常的训练，攻击者可以实现欺骗（规避攻击）或者训练深度神经网络决策重构（因果攻击），这些攻击手法高效且难以检测。我们针对此类攻击设计了动态的防御系统，并通过一些手段干扰攻击者的训练数据以保证传输速率。

    Nov, 2019

  • 利用信道状态信息和机器学习进行物理层认证

    本文提出了利用物理层认证技术和机器学习对无线网络环境实现强认证的方法，分析了接收到的无线信道状态信息，通过生成对抗性神经网络 (GAN) 来验证传输设备，其中使用局部离群点因子 (LOF) 算法在低信噪比下达到了 100% 的准确率。

    Jun, 2020