存在对抗通信下的鲁棒窃听用于射频指纹识别

深度学习是执行射频（RF）指纹识别的有效方法，旨在识别与接收的 RF 信号对应的发射机。然而，除了预期的接收器外恶意窃听者也可以拦截信号并尝试对通过无线信道通信的发射机进行指纹识别。最近的研究表明，发射机可以通过在传输前在信号中嵌入基于深度学习的可迁移对抗攻击来应对此类威胁。在这项工作中，我们开发了一种时频域的窃听者架构，能够抵御此类可迁移对抗扰动，从而能够执行有效的 RF 指纹识别。我们从理论上证明，发射机注入的对抗扰动被限制在推理时不显著的特定时频区域，直接提高了窃听者在扰动信号上的指纹识别准确率。在真实世界数据集上的经验评估验证了我们的理论发现，表明即使发射机试图欺骗窃听者，基于深度学习的 RF 指纹识别窃听者也能达到与预期接收器相当的分类性能。我们的框架揭示了依赖可迁移对抗攻击可能不足以防止窃听者在下一代基于深度学习的通信系统中成功对传输进行指纹识别。