认知无线电网络中基于随机反馈图在线学习的最优 PUE 攻击
网络与互联网体系结构
2018-03-21 v3 密码学与安全
机器学习
摘要
在认知无线电网络中，次要用户学习频谱环境并动态接入主用户不活跃的信道。同时，主用户仿真（PUE）攻击者可以发送伪造的主用户信号，阻止次要用户利用可用信道。攻击者可应用的最佳攻击策略尚未得到充分研究。本文首次研究最优 PUE 攻击策略，将其建模为在线学习问题，其中攻击者需要根据其攻击经验在每个时隙动态决定攻击信道。我们问题中的挑战在于，由于 PUE 攻击发生在频谱感知阶段，攻击者无法观测到被攻击信道上的收益。为应对这一挑战，我们利用了攻击者的观测能力。我们提出了基于攻击者观测能力的在线学习攻击策略。通过分析，我们表明在攻击时隙内无观测时，攻击者的遗憾阶数会受损；而在至少观测一个信道时，攻击性能有显著提升。观测多个信道不会给攻击者带来额外收益（仅为常数缩放），尽管它为达到最小常数因子所需的观测数量提供了洞察。我们提出的算法是最优的，因为其遗憾上界与相应的遗憾下界相匹配。我们展示了在各种系统参数下仿真结果与分析结果的一致性。
引用
@article{arxiv.1709.10128,
title = {Online Learning with Randomized Feedback Graphs for Optimal PUE Attacks in Cognitive Radio Networks},
author = {Monireh Dabaghchian and Amir Alipour-Fanid and Kai Zeng and Qingsi Wang and Peter Auer},
journal= {arXiv preprint arXiv:1709.10128},
year = {2018}
}