无线通信背景下的对抗规避攻击评估
信号处理
2019-03-06 v1 机器学习
机器学习
摘要
射频机器学习（RFML）的近期进展已证明可使用原始同相与正交（IQ）采样进行多种频谱感知任务。然而，深度学习技术在其他应用中已被证明易受对抗机器学习（ML）技术的攻击，此类技术旨在构造添加至输入以引发误分类的微小扰动。当前工作根据攻击执行位置区分对抗 ML 对 RFML 系统的威胁：直接访问分类器输入、通过空中（OTA）同步传输，或从独立设备异步传输。此外，当前工作提出了一种在无线通信背景下评估对抗成功的方法论，其中主要度量指标为误码率而非如图像识别中的人类感知。该方法论使用著名的快速梯度符号法评估基于原始 IQ 的自动调制分类的脆弱性，并得出结论：RFML 易受对抗样本攻击，即便在 OTA 攻击中亦如此。然而，OTA 攻击中会遇到的 RFML 领域特定的接收机效应，会对对抗规避造成显著损害。
引用
@article{arxiv.1903.01563,
title = {Evaluating Adversarial Evasion Attacks in the Context of Wireless Communications},
author = {Bryse Flowers and R. Michael Buehrer and William C. Headley},
journal= {arXiv preprint arXiv:1903.01563},
year = {2019}
}
备注
13 pages, 14 figures, Submitted to IEEE Transactions on Information Forensics & Security