基于深度神经网络的数字化通信实时空中对抗扰动
密码学与安全
2022-02-24 v1 人工智能
机器学习
摘要
深度神经网络（DNN）正日益被用于多种传统射频（RF）问题。已有工作表明，尽管DNN分类器通常比传统信号处理算法更准确，但它们易受精心构造的对抗扰动的欺骗，从而显著降低准确率。此类有意对抗扰动可被RF通信系统用来规避依赖DNN分类器识别其目标调制方式的反应式干扰机与截获系统。尽管先前关于RF对抗扰动的研究已通过仿真确立了此类攻击的理论可行性，但有关现实世界实现与可行性的关键问题仍待解答。本工作试图弥合此差距，定义类特定且与样本无关的对抗扰动，其被证明在实时且时不变条件下有效且计算可行。我们利用软件定义无线电（SDR）通过物理信道在空中演示了这些攻击的有效性。最后，我们表明这些对抗扰动可由通信设备之外的源发射，使这些攻击对无法在物理层操控其发射信号的设备也具有实用性。
引用
@article{arxiv.2202.11197,
title = {Real-time Over-the-air Adversarial Perturbations for Digital Communications using Deep Neural Networks},
author = {Roman A. Sandler and Peter K. Relich and Cloud Cho and Sean Holloway},
journal= {arXiv preprint arXiv:2202.11197},
year = {2022}
}
备注
9 pages; 11 figures