MMAug, 2019

物理层攻击在物联网多载波通信中的学习应用

PDF
TL;DR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。
iotphysical layer spoofingnon-contiguous ofdmmachine learningphy spoofing
发现论文，激发创造
  • 以敌对深度学习的视角看 IoT 网络安全

    探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

    May, 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

  • 在物理层中具有对用户移动鲁棒性的欺骗攻击检测

    该论文提出了一种方案，结合基于深度神经网络的位置改变检测器的决策，以区分伪造行为和移动，并通过图上的社区检测方法将接收到的帧序列分割为子序列，以检测不同位置的同时传输。该方案可以轻松部署在实践中，只需在少量位置收集一小部分测量数据，甚至不需要计算或记录。该方案在为此目的收集的真实数据上进行了评估。

    Oct, 2023

  • 使用深度学习对 LoRa 设备识别和恶意信号检测进行的对抗性攻击

    该论文研究了一种深度学习框架来解决 LoRa 网络的安全挑战，包括设备识别和合法与伪装信号分类任务。研究结果表明对于不同 LoRa 信号分类任务的敌对攻击具有一定的传递性，并强调了使物联网应用抵御敌对攻击的必要性。

    Dec, 2023

  • 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

  • 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

  • 在无线通信环境中评估对抗性规避攻击

    本文研究射频机器学习中的对抗性机器学习，阐述了攻击执行的位置，开发了一种在无线通信中评估对抗性成功的方法，并使用快速梯度符号方法评估了 RFML 的安全性，得出即使在 OTA 攻击下，RFML 也容易受到对抗性示例的攻击，但针对 RFML 特定领域的接收机效应可以在对抗性逃避方面产生重大影响。

    Mar, 2019

  • 获取最新一代网络的物理层数据以调查对手攻击

    通过与机器学习应用程序相结合的仿真模型，可以提供有关攻击的数据，尤其是来自处理服务信息的攻击数据。

    May, 2024

  • V2I 通信网络的混合 PLS-ML 认证方案

    本文提出了一种基于位置和机器学习的身份验证方案，通过利用发射车辆的位置作为设备指纹，以实现车载通信网络的安全和有效的交通管理。采用了基于到达时间的定位机制和机器学习模型，通过构建支持向量回归和决策树模型评估了方案的性能优势，并在与基准方案的比较中显示出更好的性能表现。

    Aug, 2023

  • 基于生成对抗网络的无线信号欺骗

    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