深度学习射频指纹识别的对抗攻击
密码学与安全
2025-12-16 v1 机器学习
摘要
射频指纹识别（RFFI）是一种用于无线物联网（IoT）设备轻量级认证的新兴技术。RFFI利用深度学习模型提取硬件缺陷以唯一识别无线设备。近期研究表明基于深度学习的RFFI易受对抗攻击。然而，针对不同类型RFFI分类器的有效对抗攻击尚未被充分探索。在本文中，我们对使用各种深度学习模型的RFFI系统上的不同对抗攻击方法进行了全面研究。分析了三种特定算法：快速梯度符号法（FGSM）、投影梯度下降（PGD）和通用对抗扰动（UAP）。攻击针对LoRa-RFFI展开，实验结果表明生成的扰动对卷积神经网络（CNNs）、长短期记忆网络（LSTM）和门控循环单元（GRU）均有效。我们进一步使用UAP发起实际攻击。针对无线场景的特殊因素被纳入考虑，包括实施实时攻击、攻击在一段时间内的有效性等。我们的实验评估表明，UAP能够成功对RFFI发起对抗攻击，在攻击者几乎不具备对受害者RFFI系统先验知识的情况下实现了81.7%的成功率。
引用
@article{arxiv.2512.12002,
title = {Adversarial Attacks Against Deep Learning-Based Radio Frequency Fingerprint Identification},
author = {Jie Ma and Junqing Zhang and Guanxiong Shen and Alan Marshall and Chip-Hong Chang},
journal= {arXiv preprint arXiv:2512.12002},
year = {2025}
}