在物理层中具有对用户移动鲁棒性的欺骗攻击检测

Oct, 2023

在物理层中具有对用户移动鲁棒性的欺骗攻击检测

Spoofing Attack Detection in the Physical Layer with Robustness to User Movement

Daniel Romero, Tien Ngoc Ha, Peter Gerstoft

TL;DR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。

Abstract

In a spoofing attack, an attacker impersonates a legitimate user to access or modify data belonging to the latter. Typical approaches for spoofing detection in the physical layer declare an attack when a change is observed in certain channel features, such as the received signal streng

spoofing attack spatially distributed receivers deep neural network community detection on graphs concurrent transmissions

发现论文，激发创造

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

基于传感器融合的 GNSS 欺骗攻击检测框架在自动驾驶车辆上的实验验证

验证传感器融合型 GNSS 欺骗攻击检测框架在自动驾驶车辆中的性能，并使用两种策略进行检测：通过传感器融合和机器学习来判断位置变化，以及使用机器学习模型检测和分类转弯。通过实验证明该框架能够有效地检测各种复杂的 GNSS 欺骗攻击。

Jan, 2024

通过模拟欺骗线索的手段进行联合物理数字面部攻击检测

为了同时检测物理攻击和数字攻击，我们提出了一种创新的方法，该方法采用两种类型的数据增强：模拟物理欺骗线索增强和模拟数字欺骗线索增强，显著提高了模型对 "未知" 攻击类型的检测能力。

Apr, 2024

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

一种紧凑型深度学习模型用于人脸欺骗检测

本文采用宽与深特征融合的神经网络结构来解决假攻击检测问题，并在多个数据集上进行了实验验证。

Jan, 2021

利用 Wi-Fi 通道状态信息检测监控视频流中的伪造攻击

通过结合监控与 Wi-Fi 基础设施等技术，提出了一种实时、细粒度的视频防伪方法，其可通过监控与 Wi-Fi 信号中所携带的人体姿态信息来追踪视频篡改攻击，定位攻击的异常物体，并取得了 98.7% 的检测准确率。

Jan, 2022

利用物理层在时变信道中进行无线身份验证

该论文提出了使用空间可变性来增强传统安全机制的方法，并介绍了一种基于物理层的身份验证算法，该算法利用信道探测和假设检验来确定当前和以前的通信是否由同一发送终端完成，这样就可以可靠地认证合法用户并可靠地检测伪用户。

Jul, 2009

基于内在图像属性和深度学习的防止面部欺诈的检测器

本论文提出了一种基于深度神经网络和元学习分类器相结合的方法，该方法利用图像固有属性探测面部 “假冒攻击”，在 PAD 领域最具挑战性的跨数据集协议上取得了超越最新成果的显著结果。

Feb, 2019

设计鲁棒远程人脸反欺诈系统原则

面部反欺骗、数字攻击、漏洞、威胁与鲁棒性是本研究的关键词。通过一系列实验，本文揭示了当前面部反欺骗检测技术的限制和其对新型数字攻击场景的失败。为了抵御这些新型攻击的漏洞，本文提出从模型准确性、鲁棒性到流程鲁棒性和平台鲁棒性的关键设计原则。尤其是，我们建议使用主动传感器来实现预防性面部反欺骗系统，以显著降低未知攻击向量的风险并提高用户体验。

Jun, 2024

基于点级时态一致性的 LiDAR 欺骗攻击检测 ADoPT

通过量化连续帧之间的时间一致性并基于点簇的连贯性来识别异常对象，我们提出了一个名为 ADoPT（基于点级时间一致性的异常检测）的新框架，优于现有的最先进的防御方法 CARLO 和 3D-TC2，有效地对抗各种 LiDAR 欺骗攻击，在各种道路环境中实现低（<10％）误报率（FPR）和高（> 85％）真阳率（TPR），同时证明了准确的攻击检测的潜力。

Oct, 2023