面向 5G 通信安全的对抗机器学习
网络与互联网体系结构
2021-01-08 v1 机器学习
摘要
机器学习提供了自动化手段来捕捉无线频谱的复杂动态,并支持更好地理解频谱资源及其高效利用。随着通信系统借助由机器学习赋能的认知无线电能力变得智能化,以执行频谱感知和频谱共享等关键任务,它们也因针对机器学习应用的攻击而变得易受新漏洞影响。本文识别了在 5G 系统背景下针对无线通信的对抗机器学习的新兴攻击面及相应攻击。重点在于针对 (i) 5G 通信与现有用户(如公民宽带无线电服务 (CBRS) 频带中的用户)的频谱共享,以及 (ii) 5G 用户设备 (UE) 的物理层认证以支持网络切片的攻击。对于第一种攻击, adversary 在数据传输或频谱感知期间发射信号,以操纵部署在环境感知能力 (ESC) 处、用于支持 5G 系统的深度学习分类器的信号级输入。对于第二种攻击, adversary 利用生成对抗网络 (GAN) 欺骗无线信号,以渗透部署在 5G 基站处、基于深度学习分类器的物理层认证机制。结果表明 5G 系统对抗机器学习存在重大漏洞。为使 5G 系统能在 adversary 存在时持续运行,提出了一种防御机制,以增加 adversary 在训练用于发起后续攻击的替代模型时的不确定性。
引用
@article{arxiv.2101.02656,
title = {Adversarial Machine Learning for 5G Communications Security},
author = {Yalin E. Sagduyu and Tugba Erpek and Yi Shi},
journal= {arXiv preprint arXiv:2101.02656},
year = {2021}
}