基于蒸馏与剪枝的深度学习无线分类器的对抗鲁棒性
信号处理
2024-04-25 v1 密码学与安全
信息论
机器学习
math.IT
机器学习
摘要
为无线信号自动调制分类（AMC）开发的数据驱动深度学习（DL）技术容易受到对抗攻击。这对基于深度学习的无线系统构成了严重的安全威胁，特别是对于 AMC 的边缘应用。在本研究中，我们解决了开发既优化又对对抗攻击具有鲁棒性的深度学习模型的联合问题。这使得在边缘设备上高效且可靠地部署基于深度学习的 AMC 成为可能。我们首先使用知识蒸馏和网络剪枝提出了两种优化模型，随后采用计算高效的对抗训练过程来提高鲁棒性。在五种白盒攻击上的实验结果表明，所提出的优化和对抗训练模型比标准（未优化）模型能实现更好的鲁棒性。这两种优化模型在干净（未受攻击）样本上也实现了更高的准确率，这对于边缘应用中基于深度学习解决方案的可靠性至关重要。
引用
@article{arxiv.2404.15344,
title = {Adversarial Robustness of Distilled and Pruned Deep Learning-based Wireless Classifiers},
author = {Nayan Moni Baishya and B. R. Manoj},
journal= {arXiv preprint arXiv:2404.15344},
year = {2024}
}
备注
Accepted at the IEEE Wireless Communications and Networking Conference (WCNC) 2024