通过距离决策边界统计量检测对抗性频谱攻击

机器学习已被采用用于高效的协作频谱感知。然而，这会因利用对抗机器学习进行攻击而增加额外的安全风险，这类攻击会创建恶意的频谱感知值来欺骗融合中心，称为对抗性频谱攻击。本文提出了一个高效的框架用于检测对抗性频谱攻击。我们的设计利用了距离决策边界（DDB）的概念，这一概念在融合中心观察到，并通过比较训练和测试 DDB 分布来识别对抗性频谱攻击。我们创建了一种计算机器学习基于频谱感知系统中 DDB 的计算效率高效的方法。基于真实频谱数据的实验结果表明，在典型设置下，我们的方法实现了最高可达 99% 的高检测率，同时保持低于 1% 的假警报率。此外，我们基于频谱数据计算的 DDB 方法比现有距离计算方法在计算效率上实现了 54%--64% 的改进。该提出的 DDB 基于检测框架为识别由对抗性频谱攻击创建的恶意感知值提供了实用且高效的解决方案。