针对深度学习 Wi-Fi 指纹定位的空中对抗攻击
密码学与安全
2023-01-11 v1
摘要
借助深度神经网络（DNNs），Wi-Fi 指纹定位近期取得了惊人的定位性能，推动了无线网络中许多安全关键型应用的发展，但它不可避免地暴露于对抗攻击之下，细微扰动即可误导 DNNs 做出错误预测。此类漏洞为恶意设备破坏无线网络安全性（如地理围栏或资产管理失灵）提供了新的安全缺口。已有的针对定位 DNNs 的对抗攻击在信道状态信息（CSI）测量上施加加性扰动，这在 Wi-Fi 传输中并不现实。为突破该限制，本文提出 FooLoc，它在攻击者与受害接入点（AP）之间的真实无线信道上欺骗 Wi-Fi CSI 指纹定位 DNNs。我们观察到，尽管上行 CSIs 对攻击者未知，但可获取的下行 CSIs 在同一位置可作为其合理替代。我们深入研究了空中扰动的乘性与重复特性，并设计了一个高效的优化问题以生成难以察觉却鲁棒的对抗扰动。我们分别使用商用 Wi-Fi APs 和 Wireless Open-Access Research Platform（WARP）v3 开发板在离线与在线实验中实现 FooLoc。实验结果表明，FooLoc 在目标攻击中总体攻击成功率约为 70%，在非目标攻击中高于 90%，且扰动-信号比约为 -18dB。
引用
@article{arxiv.2301.03760,
title = {Over-The-Air Adversarial Attacks on Deep Learning Wi-Fi Fingerprinting},
author = {Fei Xiao and Yong Huang and Yingying Zuo and Wei Kuang and Wei Wang},
journal= {arXiv preprint arXiv:2301.03760},
year = {2023}
}
备注
To appear in the IEEE Internet of Things Journal