针对无线通信中基于深度学习的功率控制的对抗攻击
信号处理
2021-10-13 v2 机器学习
网络与互联网体系结构
机器学习
摘要
我们考虑基于对抗机器学习的功率分配攻击，其中基站（BS）通过使用深度神经网络（DNN）将发射功率分配给多个正交子载波以服务多个用户设备（UEs）。对应于回归模型的 DNN 以信道增益为输入，输出发射功率。当 BS 为所有 UE 分配发射功率以最大化其速率时，存在一个旨在最小化这些速率的对手。该对手可能是一个外部发射机，旨在通过干扰用于测量信道增益的 pilot 信号来操纵 DNN 的输入。或者，对手可能是一个向 BS 发送伪造信道估计的恶意 UE。在这两种情况下，对手在扰动强度上界约束下精心构造对抗扰动以操纵 BS 的 DNN 输入。我们考虑针对单个 UE 或所有 UE 的攻击。我们将这些攻击与基准攻击（对手按比例缩小 DNN 的输入）进行比较。我们表明，在降低通信速率方面，对抗攻击比基准攻击有效得多。我们还表明，对抗攻击对对手处的不确定性具有鲁棒性，包括信道增益的错误认知以及精确实施指定攻击的潜在误差。
引用
@article{arxiv.2109.08139,
title = {Adversarial Attacks against Deep Learning Based Power Control in Wireless Communications},
author = {Brian Kim and Yi Shi and Yalin E. Sagduyu and Tugba Erpek and Sennur Ulukus},
journal= {arXiv preprint arXiv:2109.08139},
year = {2021}
}