基于射频数据的无线通信中的对抗机器学习：综述
信号处理
2021-08-24 v2
摘要
机器学习（ML）提供了从频谱数据中学习并解决无线通信中复杂任务的有效手段。在计算资源与算法设计近期进展的支撑下，深度学习（DL）已在信号识别、频谱感知与波形设计等多种无线通信任务中取得成功。然而，人们发现包括 DL 在内的 ML 易受操纵，从而催生了称为对抗机器学习（AML）的研究领域。尽管 AML 在计算机视觉与自然语言处理等其他数据领域已被广泛研究，但无线通信领域的 AML 研究仍处于早期阶段。本文在考虑无线系统独有特性的前提下，对聚焦于无线通信中 AML 的最新研究工作进行了全面综述。首先，讨论了深度神经网络上 AML 攻击的背景，并给出了 AML 攻击类型的分类法。还描述了生成对抗样本的各种方法以及攻击机制。此外，对针对各类无线通信问题的 AML 攻击以及无线领域中相应防御机制的现有研究进行了整体调研。最后，随着新攻击与防御技术的发展，讨论了面向下一代无线通信的 AML 近期研究趋势与总体未来展望。
引用
@article{arxiv.2012.14392,
title = {Adversarial Machine Learning in Wireless Communications using RF Data: A Review},
author = {Damilola Adesina and Chung-Chu Hsieh and Yalin E. Sagduyu and Lijun Qian},
journal= {arXiv preprint arXiv:2012.14392},
year = {2021}
}
备注
17 pages, 3 figures