面向物联网中多载波通信的机器学习辅助物理层攻击
机器学习
2021-03-18 v2 密码学与安全
信号处理
机器学习
摘要
受功耗与处理能力限制的物联网(Internet-of-Things, IoT)设备易于遭受物理层(PHY)欺骗（信号利用）攻击，因其无法实现完整的安全协议栈。正交频分复用(OFDM)等多载波技术作为 PHY 层的压倒性采用，使 IoT 设备进一步易受 PHY 欺骗攻击。此类攻击旨在向接收机注入虚假/伪数据，涉及推断传输参数并发现所传信号的 PHY 特征以欺骗接收信号。非连续(NC) OFDM 系统被认为具有基于循环平稳分析之经典攻击的低利用概率(LPE)特征，相应 PHY 被视为安全。然而，随着机器学习(ML)算法的出现，对手可设计数据驱动攻击以攻破此类系统。正是在此脉络下，本文研究了配备监督与无监督 ML 工具的对手之 PHY 欺骗性能。监督 ML 方法基于深度神经网络(DNN)，而无监督方法采用变分自编码器(VAE)。特别地，VAE 被证明能够从 NC-OFDM 信号中学习与其 PHY 特征（如频率图案与调制方案）相关的表示，这些表示对 PHY 欺骗有用。此外，提出了一种基于解耦原则的新度量以衡量此类所学表示的质量。仿真结果表明，欺骗对手的性能高度依赖于子载波分配图案。特别地，研究表明采用随机子载波占用图案可使 NC-OFDM 系统抵御基于 ML 的攻击。
引用
@article{arxiv.1908.00195,
title = {Learning-Aided Physical Layer Attacks Against Multicarrier Communications in IoT},
author = {Alireza Nooraiepour and Waheed U. Bajwa and Narayan B. Mandayam},
journal= {arXiv preprint arXiv:1908.00195},
year = {2021}
}
备注
15 pages; 20 figures; 3 tables; preprint of a paper accepted for publication in IEEE Trans. Cognitive Commun. Netw