深度学习用于发起和缓解无线干扰攻击
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
本研究通过使用神经网络、环境背散射通信等技术,设计了一种新型的深度强化学习算法,实现了优秀的反制干扰效果,提高了平均吞吐量 426% 并减少了 24% 的数据包丢失率,可以应用于 URLLC 和军事场景。
Apr, 2019
本文介绍了使用生成对抗网络(GAN)生成和传输合成信号的新方法。两个对抗者,一个发射机和一个接收机,各扮演生成器和判别器的角色,并玩决策论游戏,产生最佳欺骗信号以愚弄训练最佳的防御机制。结果表明,GAN 成攻击提高了对无线电信号欺骗成功概率的可能性,即使使用深度学习分类器作为防御措施也是如此。
May, 2019
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
本文主要研究深度学习在无线系统应用中的安全问题,重点探讨了对回归问题的攻击和防御机制,研究对象为多个输入输出系统下行链路的功率分配问题,从白盒和黑盒的攻击角度构建了对抗性扰动攻击,进一步分析了深度神经网络的鲁棒性以及通过对抗训练提高深度学习模型的对抗性能。
Jun, 2022
提出一种抵御干扰攻击的无线网络建模方案,通过干扰感知的路由协议和基于深度强化学习的分布式合作框架实现有效通讯以及网络安全防御,并优化吞吐量,能效,时延和安全指标。通过实验表明,提出的方案在对抗干扰攻击和实现优化吞吐量方面具有很好的鲁棒性和有效性。
Oct, 2019
本文研究了深度学习在无线通信系统中应用的安全性问题,使用快速梯度符号法、动量迭代快速梯度符号法和方向性梯度下降法攻击了大规模多输入多输出系统中功率分配的神经网络,发现在神经网络输入的微小扰动下能使白盒攻击的收益率达到 86%。
Jan, 2021
本论文研究基于对手机器学习的对功率分配的攻击,其中基站通过使用深度神经网络(DNN)将其传输功率分配给多个正交子载波来为多个用户设备(UE)提供服务。 训练相应于回归模型的 DNN 以通道增益为输入并返回传输功率作为输出。研究了对单个 UE 或所有 UE 进行的攻击,并与基准进行比较,表明对手攻击在减少通信速率方面比基准攻击更有效。
Sep, 2021