基于深度学习的大规模 MIMO 下行功率分配：对抗攻击与训练
机器学习
2022-06-15 v1 人工智能
信号处理
摘要
深度学习（DL）在无线系统应用中的成功涌现引发了人们对新型安全相关挑战的担忧。其中一个安全挑战是对抗攻击。尽管已有大量工作证明了基于 DL 的分类任务易受对抗攻击，但从攻击视角对无线系统背景下的基于回归的问题迄今尚未被研究。本文的目的有两个：（i）我们考虑无线设置中的回归问题，并展示对抗攻击可以破坏基于 DL 的方法；（ii）我们分析对抗训练作为对抗设置中防御技术的有效性，并展示基于 DL 的无线系统对抗攻击的鲁棒性显著提升。具体而言，本文考虑的无线应用是多小区大规模多输入多输出系统下行链路中基于 DL 的功率分配，其中攻击的目标是使 DL 模型产生不可行解。我们扩展了基于梯度的对抗攻击：快速梯度符号法（FGSM）、动量迭代 FGSM 和投影梯度下降法，以分析所考虑无线应用在有无对抗训练情况下的易损性。我们分析了深度神经网络（DNN）模型面对这些攻击的性能，其中对抗扰动是通过白盒和黑盒攻击精心构造的。
引用
@article{arxiv.2206.06592,
title = {Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training},
author = {B. R. Manoj and Meysam Sadeghi and Erik G. Larsson},
journal= {arXiv preprint arXiv:2206.06592},
year = {2022}
}
备注
13 pages, 14 figures, published in IEEE Transactions on Cognitive Communications and Networking