对大规模 MIMO 网络中基于深度学习的功率分配的对抗攻击
信息论
2021-01-29 v1 机器学习
信号处理
math.IT
摘要
深度学习（DL）正成为无线通信系统中许多应用的新工具而日益流行。然而，对于许多分类任务（例如调制分类），已表明基于 DL 的无线系统易受对抗样本的影响；对抗样本是精心构造的恶意神经网络（NN）输入，旨在导致错误输出。在本文中，我们将此扩展到回归问题，并展示对抗攻击可破坏大规模多输入多输出（maMIMO）网络下行链路中基于 DL 的功率分配。具体地，我们在 maMIMO 系统功率分配背景下扩展了快速梯度符号法（FGSM）、动量迭代 FGSM 与投影梯度下降对抗攻击。我们对这些攻击的性能进行基准测试，并表明在 NN 输入存在微小扰动时，白盒攻击可导致高达 86% 的不可行解。此外，我们研究了黑盒攻击的性能。本工作中所有评估均基于公开可用的开放数据集与 NN 模型。
引用
@article{arxiv.2101.12090,
title = {Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network},
author = {B. R. Manoj and Meysam Sadeghi and Erik G. Larsson},
journal= {arXiv preprint arXiv:2101.12090},
year = {2021}
}
备注
to be published in proceedings of IEEE International Conference on Communications (ICC) 2021