一种基于深度集成的无线接收机架构用于缓解自动调制分类中的对抗攻击
信号处理
2021-09-17 v3
摘要
基于深度学习的自动调制分类(AMC)模型易受对抗攻击。此类攻击向发射信号中注入特定构造的无线干扰以诱导错误分类预测。此外，对抗干扰在黑盒环境中可迁移，使攻击者能用为某一分类模型构造的单一扰动攻击多个深度学习模型。本工作中，我们提出一种新颖的无线接收机架构，以缓解各类黑盒攻击环境中的对抗干扰影响。我们首先评估架构不确定性环境，表明为欺骗特定AMC深度学习架构而构造的对抗攻击不能直接迁移至不同深度学习架构。接着，我们考虑域不确定性环境，表明在时域与频域特征上构造的对抗攻击不能直接迁移至变换域。利用这些见解，我们开发了混杂深度集成(ADE)防御，其为在接收信号的时域与频域表示上训练的深度学习方法集成。通过在两个无线信号数据集上针对不同不确定源评估，我们证明相比基线防御，我们的ADE在不同对抗攻击与强度下获得了AMC分类性能的显著提升。
引用
@article{arxiv.2104.03494,
title = {A Deep Ensemble-based Wireless Receiver Architecture for Mitigating Adversarial Attacks in Automatic Modulation Classification},
author = {Rajeev Sahay and Christopher G. Brinton and David J. Love},
journal= {arXiv preprint arXiv:2104.03494},
year = {2021}
}
备注
15 pages, 13 figures, Published in IEEE Transactions on Cognitive Communications and Networking