基于生成对抗网络的移动群智感知中对抗任务检测
密码学与安全
2022-02-17 v1 人工智能
机器学习
摘要
移动群智感知（MCS）系统建立在非专用和泛在属性之上，易受各类攻击。基于机器学习（ML）的方法被广泛研究以构建攻击检测系统并保障 MCS 系统安全。然而，旨在阻塞感知前端和 MCS 后端的对手利用智能技术，MCS 平台和服务提供商难以开发合适的检测框架应对这些攻击。生成对抗网络（GANs）已用于生成与真实样本极相似的合成样本，欺骗分类器使合成样本与原始样本无法区分。已有工作表明，基于 GAN 的攻击比经验设计的攻击样本造成更严重的破坏，并导致 MCS 平台检测率低。有鉴于此，本文旨在通过集成基于 GAN 的模型来检测智能设计的非法感知服务请求。为此，我们提出一种两级级联分类器，将 GAN 判别器与二分类器结合以防止对抗虚假任务。通过仿真，我们将结果与单级二分类器比较，数值结果显示所提方法将对抗攻击检测率（AADR）由 KNN/NB 的 0% 提升至 97.5%，由决策树的 45.9% 提升至 100%。同时，采用两级分类器后，三种二分类器的原始攻击检测率（OADR）均提升，例如 NB 由 26.1% 升至 61.5%。
引用
@article{arxiv.2202.07802,
title = {Generative Adversarial Network-Driven Detection of Adversarial Tasks in Mobile Crowdsensing},
author = {Zhiyan Chen and Burak Kantarci},
journal= {arXiv preprint arXiv:2202.07802},
year = {2022}
}
备注
This paper contains pages, 4 figures which is accepted by IEEE ICC 2022