基于深度学习的语义通信的物理层对抗鲁棒性
信号处理
2023-05-15 v1
摘要
端到端语义通信（ESC）依靠深度神经网络（DNN）仅传输数据语义以提升通信效率，在高需求移动应用中展现出巨大潜力。我们认为 ESC 成功的关键在于接收端对传达语义的鲁棒解释，尤其是对于自动驾驶与智慧医疗等安全关键应用。然而，由于无线信道的开放性与神经模型的脆弱性，ESC 极易受到物理层对抗攻击，因此使语义解释具备鲁棒性颇具挑战。面向实际中的 ESC 鲁棒性，我们提出以下两个问题：Q1：对于攻击，是否可能生成不可感知、与输入无关且可控的语义导向物理层对抗攻击？Q2：我们能否针对此类语义失真及先前提出的对抗样本开发防御策略？为此，我们首先提出 MobileSC，一种考虑无线环境下计算与存储效率的新型语义通信框架。基于该框架，我们提出 SemAdv，一种物理层对抗扰动生成器，旨在依据上述准则在空中构造语义对抗样本，从而回答 Q1。为更好地刻画真实世界效应以进行鲁棒训练与评估，我们进一步引入一种新颖的对抗训练方法 SemMixed，使 ESC 抵御 SemAdv 攻击及现有强威胁，从而回答 Q2。在三个公开基准上的大量实验验证了我们所提方法针对各类物理对抗攻击的有效性。我们还展示了一些有趣发现，例如我们的 MobileSC 在低信噪比 regime 下甚至比经典的分块通信系统更鲁棒。
引用
@article{arxiv.2305.07220,
title = {Physical-layer Adversarial Robustness for Deep Learning-based Semantic Communications},
author = {Guoshun Nan and Zhichun Li and Jinli Zhai and Qimei Cui and Gong Chen and Xin Du and Xuefei Zhang and Xiaofeng Tao and Zhu Han and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2305.07220},
year = {2023}
}
备注
17 pages, 28 figures, accepted by IEEE jsac