基于 XAI 的自动调制分类对抗攻击的信息重要性感知防御
信号处理
2024-10-16 v1
摘要
深度学习(DL)通过利用神经网络作为特征提取器显著提高了自动调制分类(AMC)。然而，随着基于深度学习的 AMC 日益普及，其面临来自各种对抗攻击的严重安全威胁。现有防御方法常常 suffer 于高计算成本、参数调控困难和鲁棒性不足。本文提出了一种基于 eXplainable artificial intelligence (XAI) 的防御方法，通过测量输入特征的重要性来揭示对抗攻击导致的负面信息。通过对抗样本中的负面信息进行适当处理并进行微调(FT)，可减轻攻击对分类结果的影响。实验结果表明，所提出的 SHAP-FT 方法在不同攻击程度下可将模型的分类性能提升 15%-20%，这不仅增强了模型对各种攻击程度的鲁棒性，而且减少了资源消耗，验证了其在保护通信网络方面的有效性。
引用
@article{arxiv.2410.11608,
title = {Information Importance-Aware Defense against Adversarial Attack for Automatic Modulation Classification:An XAI-Based Approach},
author = {Jingchun Wang and Peihao Dong and Fuhui Zhou and Qihui Wu},
journal= {arXiv preprint arXiv:2410.11608},
year = {2024}
}
备注
Accepted by WCSP 2024