本文研究了深度学习在无线电信号分类中的应用和安全性问题，通过白盒和黑盒对抗攻击使模型分类性能显著下降，与传统的干扰攻击相比，这些攻击更加强大。

Aug, 2018

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

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

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

本文研究了基于 DL 的模型在无线系统下行功率分配问题中的回归应用，并提出了通用对抗扰动（UAP）制造方法作为白盒和黑盒攻击。通过对 UAP 的性能测试，展示了其白盒和黑盒攻击成功率分别可以达到 60％和 40％。提出的 UAP 攻击方法与传统的白盒攻击相比更具实用性和现实性。

Oct, 2021

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

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

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

提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

Mar, 2023