基于深度学习的无线信号分类器的空中成员推断攻击作为隐私威胁
信号处理
2020-06-26 v1 网络与互联网体系结构
摘要
本文展示了如何通过发起空中成员推断攻击（MIA）从无线信号分类器中泄露隐私信息。当机器学习（ML）算法被用于处无线信号以做出诸如物理层认证等决策时，训练数据特征（例如设备级信息）以及数据收集时的环境条件（例如信道信息）可能会泄露给 ML 模型。作为一种隐私威胁， adversary 可利用此泄露信息，遵循对抗性 ML 方法利用 ML 模型的漏洞。在本文中，MIA 针对一个基于深度学习的分类器发起，该分类器利用接收信号中的波形、设备和信道特征（功率与相移）进行射频指纹识别。通过观察频谱，adversary 首先构建一个替代分类器，然后构建一个推断模型，以确定感兴趣信号是否已被用于接收机（例如服务提供商）的训练数据中。随后可将感兴趣信号与特定设备和信道特征关联以发起后续攻击。在识别用于构建目标分类器的感兴趣信号（以及潜在的设备和信道信息）时，攻击成功概率较高（超过 88%，取决于波形与信道条件）。这些结果表明，由于其 ML 模型的空中信息泄露，无线信号分类器易受隐私威胁。
引用
@article{arxiv.2006.14576,
title = {Over-the-Air Membership Inference Attacks as Privacy Threats for Deep Learning-based Wireless Signal Classifiers},
author = {Yi Shi and Kemal Davaslioglu and Yalin E. Sagduyu},
journal= {arXiv preprint arXiv:2006.14576},
year = {2020}
}