前向纠错对通信感知规避攻击的影响
信号处理
2021-01-05 v1 密码学与安全
信息论
机器学习
math.IT
摘要
近期工作展示了对抗式机器学习对为射频机器学习（RFML）应用开发的深度神经网络（DNN）的影响。虽然这些攻击已被证明能成功破坏窃听者的性能，但它们未能完全支持成功预期通信这一主要目标。为此，近期提出了一种通信感知攻击框架，通过对 DNN 的新颖利用来智能生成对抗通信信号，从而在规避与预期通信这两个对立目标间实现更有效的平衡。鉴于前向纠错（FEC）编码在多数已部署系统中近乎普遍用于纠正产生的错误，在该框架中引入 FEC 是此前工作的自然延伸，并将在更恶劣环境中实现性能提升。因此，本工作通过改进损失函数与设计考量以纳入发射信号中 FEC 码使用的内在知识，对该框架作出贡献。性能分析表明，即便不假设编码方案的显式知识，FEC 编码也能改善通信感知对抗攻击，并相较先前技术在平衡规避与预期通信的对立目标上实现更优性能。
引用
@article{arxiv.2005.13123,
title = {Effects of Forward Error Correction on Communications Aware Evasion Attacks},
author = {Matthew DelVecchio and Bryse Flowers and William C. Headley},
journal= {arXiv preprint arXiv:2005.13123},
year = {2021}
}