基于梯度的对抗性深度调制分类与数据驱动子采样

自动调制分类可以是智能频谱高效无线通信网络的核心组件，并且深度学习技术最近被证明比传统的基于模型的策略提供更优的性能，特别是在区分大量调制类型时。然而，此类深度学习技术最近也被证明易受依赖于细微输入扰动的基于梯度的对抗性攻击，这在无线环境中通过干扰尤其可行。其中一种强效攻击是称为Carlini-Wagner攻击的攻击，我们在本工作中考虑它。我们进一步考虑数据驱动子采样设置，其中采用几种最近引入的基于深度学习的算法来选择样本子集，从而在精度损失最小的情况下减少最终分类器的训练时间。在此设置中，攻击者必须对所采用的子采样策略做出假设，以计算损失梯度。基于攻击者和防御者均可获得的最先进技术，我们在关于对方策略知识的各种假设下评估最佳策略。有趣的是，在存在知情攻击者的情况下，我们为防御者确定了计算成本降低的机会，且性能无损失或损失极小。