基于自适应深度强化学习的对抗性干扰攻击与防御策略
信号处理
2022-09-13 v1 机器学习
摘要
随着深度强化学习（DRL）在无线通信中的应用日益增多，基于 DRL 的无线通信策略对对抗性攻击的敏感性开始引起越来越多的关注。为了解决这种敏感性并减轻由此产生的安全担忧，我们在本文中考虑了一个执行基于 DRL 的动态信道接入的受害用户，以及一个执行基于 DRL 的干扰攻击以破坏受害者的攻击者。因此，受害者和攻击者都是 DRL 智能体，可以相互交互、重新训练其模型并适应对手的策略。在此设定下，我们首先开发了一种对抗性干扰攻击策略，旨在最小化受害者在动态信道接入方面决策的准确性。随后，我们设计了针对此类攻击者的防御策略，并提出了三种防御策略，即带有比例-积分-微分（PID）控制的多样化防御、带有模仿攻击者的多样化防御以及通过正交策略的防御。我们设计这些策略以最大化受攻击受害者的准确性，并评估了它们的性能。
引用
@article{arxiv.2007.06055,
title = {Adversarial jamming attacks and defense strategies via adaptive deep reinforcement learning},
author = {Feng Wang and Chen Zhong and M. Cenk Gursoy and Senem Velipasalar},
journal= {arXiv preprint arXiv:2007.06055},
year = {2022}
}
备注
13 pages, 24 figures