端到端自编码通信系统的物理对抗攻击

MMFeb, 2019

端到端自编码通信系统的物理对抗攻击

Physical Adversarial Attacks Against End-to-End Autoencoder Communication Systems

Meysam Sadeghi, Erik G. Larsson

TL;DR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。

Abstract

We show that end-to-end learning of communication systems through deep neural network (DNN) autoencoders can be extremely vulnerable to physical adversarial attacks. Specifically, we elaborate how an attacker can craft effective physical black-box adversarial attacks. Due to the openne

end-to-end learning deep neural network physical adversarial attacks wireless channel classical coding schemes

发现论文，激发创造

基于对抗网络的空中物理层通信系统设计

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。

Mar, 2018

使用卷积自动编码器防御对抗性攻击

基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性，通过生成与输入图像相似的图像来恢复模型的准确性。

Dec, 2023

针对端到端自动驾驶模型的简易物理对抗样本

本研究使用简单的物理攻击，将黑线涂在路上，对自动驾驶的深度神经网络模型进行端对端的攻击，并探讨了针对直行的攻击与针对右转的攻击等场景的高度有效性。

Mar, 2019

深度神经网络在交通标志识别中的物理对抗攻击：可行性研究

本文研究通过不同攻击方法，包括黑盒攻击，来制造可以用于在不同环境中欺骗系统的扰动，并展示可靠的物理对抗攻击可以使用不同的方法进行执行，同时也可以降低扰动的可察觉程度。该发现强调了即使在黑盒情况下，需要通过可行的方法保护 DNN 的需求，同时也为使用对抗攻击增强原始训练数据的方法提供了基础。

Feb, 2023

变分自编码器的对抗性攻击

本文提出了一种新的用于攻击自编码器（autoencoders）的方案，并设计了一个定量评估框架来评估攻击抵抗性。在三个常用数据集上，通过统计验证实验证明带有循环和注意力机制的 DRAW 模型具有更好的抵抗性，这对于自编码器在数据压缩方面的应用十分重要，并引起了更多人对于对抗攻击的关注。

Jun, 2018

物理对抗攻击遇见计算机视觉：十年调查

对于深度神经网络 (DNNs) 的安全性问题，本文重点关注于物理对抗攻击，总结了 150 篇现有的物理对抗攻击的论文，详细分析了物理对抗攻击的特征、媒介、方法及其效果，并探讨了当前的挑战和未来方向。

Sep, 2022

优化干扰抑制的端到端自编码通讯

该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

Dec, 2021

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

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

基于结构到信号自编码器的对抗性防御

本文提出了一种新的解释对抗扰动的方法，即通过模拟分类器实际使用的有效输入信号，应用特殊训练的自编码器作为防御机制，称为 S2SNets。该方法在白盒和灰盒场景下实现了可比较的鲁棒性，并且分析了 AlexNet、VGG 16、ResNet 50 和 Inception v3 在对抗空间中的关系。

Mar, 2018