重新思考语义通信中的安全：潜变量操纵作为一种新威胁

基于深度学习的语义通信（SemCom）已成为下一代无线网络的有前景范式，通过提取并传递任务相关的语义潜变量表示而非原始数据，提供了更优的传输效率。然而，无线信道的开放性以及语义潜变量表示的内在脆弱性使此类系统面临此前未被识别的安全风险。在本文中，我们揭示了一个基础的潜变量空间漏洞，使中间人（MitM）攻击者能够在保持传输潜变量表示统计特性的同时，隐蔽地操纵传输的语义。我们首先提出了一种基于扩散的重编码攻击（DiR），其中攻击者利用扩散模型合成攻击者设计的语义变体，并将其重新编码为与 SemCom 解码器兼容的有效潜变量表示。在此模型依赖的途径之外，我们进一步提出了一种模型无关且无需训练的测试时适应潜变量操纵攻击（TTA-LM），其中攻击者利用目标损失函数的梯度，将截获的潜变量表示扰动并引导至攻击者指定的语义目标。与基于扩散的操纵不同，TTA-LM 不依赖任何生成模型，也不施加模态特定或任务特定的假设，从而能够在多样化的 SemCom 架构中实现高效且广泛适用的潜变量空间篡改。在代表性语义通信架构上的广泛实验表明，两种攻击均能在保持自然潜变量空间分布的同时显著改变解码语义，使攻击具有隐蔽性且难以检测。