射频深度学习中的对抗样本：攻击检测及其物理鲁棒性
机器学习
2019-02-19 v1 机器学习
摘要
尽管针对图像机器学习的对抗样本研究已十分丰富，但已发表工作中对射频（RF）信号深度学习（DL）的类似攻击及其缓解策略鲜有涉及，RF 领域仅有一篇近期文献 [1]。RF 对抗样本（AdExs）可在波形扰动极小的情况下，主要在频谱感知/监测应用中（例如将 BPSK 误判为 8-PSK）造成剧烈的针对性误分类。目前尚不清楚 RF 对抗样本在物理世界中是否保持其效果，即当 AdExs 通过空中（OTA）传输时。我们关于深度学习 AdExs 及所提防御机制的研究以 RF 为中心，并纳入物理世界 OTA 效应。我们在此提出基于统计检验的防御机制。一种检测 AdExs 的检验利用 OTA 传输的 DL 数据点的峰均功率比（PAPR），另一种统计检验使用 DL 分类器的 Softmax 输出，即分类器分配给各个已训练类别的概率。前者利用了数据的 RF 特性，后者普遍适用于无论来源如何的 AdExs。两种方案均被证明是抵御针对通信与雷达感知系统对抗攻击的可行缓解方法。
引用
@article{arxiv.1902.06044,
title = {Adversarial Examples in RF Deep Learning: Detection of the Attack and its Physical Robustness},
author = {Silvija Kokalj-Filipovic and Rob Miller},
journal= {arXiv preprint arXiv:1902.06044},
year = {2019}
}