针对5G及以后系统中基于深度学习的毫米波波束预测的对抗攻击
信号处理
2021-03-26 v1 机器学习
网络与互联网体系结构
机器学习
摘要
深度学习为从频谱数据中学习并解决5G及以后系统中的复杂任务(如毫米波通信中用于初始接入(IA)的波束选择)提供了有力手段。为了在基站(如gNodeB)与用户设备(UE)之间建立用于定向传输的IA,深度神经网络(DNN)可利用来自可能窄波束子集的接收信号强度(RSSs)预测最适于倾斜至每个UE的波束。尽管相较于遍历所有波束的传统IA,该方法改善了波束选择的时延与可靠性,但DNN本身易受对抗攻击。我们提出一种对抗攻击,通过生成对抗扰动来操纵作为DNN输入的空中捕获RSSs。该攻击显著降低了IA性能,并欺骗DNN选择具有较小RSSs的波束,相较于加性高斯或均匀噪声的干扰攻击更为有效。
引用
@article{arxiv.2103.13989,
title = {Adversarial Attacks on Deep Learning Based mmWave Beam Prediction in 5G and Beyond},
author = {Brian Kim and Yalin E. Sagduyu and Tugba Erpek and Sennur Ulukus},
journal= {arXiv preprint arXiv:2103.13989},
year = {2021}
}