基于扩散模型的任务导向语义通信与模型反演攻击
密码学与安全
2025-10-06 v2 信息论
机器学习
math.IT
摘要
语义通信通过传递语义信息而非原始输入符号序列来提高传输效率。任务导向语义通信是其变体，旨在仅保留任务特定信息，从而实现更大的带宽节省。然而，这些基于神经网络的通信系统对模型反演攻击十分脆弱，攻击者会尝试从窃听接收的数据中推断出敏感输入信息。因此，关键挑战在于在确保传输正确性和鲁棒性的同时保护隐私。虽然先前研究通常假设攻击者旨在完全重建原始输入于任务导向场景中，但存在情境下，像PSNR或SSIM等像素级指标可能较低，但攻击者的输出仍足以完成下游任务，表明存在信息泄露。因此，我们采用攻击者任务准确率作为评估攻击有效性的更合适指标。为优化合法接收方准确率与攻击者准确率之间的差距，我们提出了DiffSem—a基于扩散模型的任务导向语义通信框架。DiffSem集成了位于发射端的自噪机制，用于自适应调节语义内容并补偿信道噪声，以及位于接收端的扩散U-Net，用于提高任务性能，可通过自指标签嵌入进一步加强。我们的实验表明，DiffSem使合法接收方实现更高的准确率，从而验证了所提框架的优越性能。
引用
@article{arxiv.2506.19886,
title = {Diffusion-aided Task-oriented Semantic Communications with Model Inversion Attack},
author = {Xuesong Wang and Mo Li and Xingyan Shi and Zhaoqian Liu and Shenghao Yang},
journal= {arXiv preprint arXiv:2506.19886},
year = {2025}
}