基于对抗鲁棒深度学习架构的 5G 室内定位安全
密码学与安全
2025-05-26 v1
摘要
新兴的 5G 毫米波和亚 6 GHz 网络实现了高精度室内定位，但安全和隐私漏洞构成了严重挑战。本文识别并解决了包括位置欺骗和对抗信号操纵在内的威胁，这些威胁针对基于 5G 的室内定位系统。我们构建了威胁模型，涵盖注入伪造无线信号或扰动信道测量以误导定位系统的攻击者。为抵御这些威胁，我们提出一种对抗鲁棒的定位架构，将深度学习指纹与物理领域知识结合。该方法将多锚点信道脉冲响应（CIR）指纹与到达时间差（TDoA）特征以及已知锚点位置整合到混合卷积神经网络（CNN）和多头注意力网络中。该设计本质上检查几何一致性，并动态降低异常信号的权重，使定位对篡改更为稳健。我们形式化了安全定位问题，并通过在公开 5G 室内数据集上的大量实验表明，所提系统在混合直线（LOS）和非直线（NLOS）轨迹下的良好条件下可实现约 0.58 米的平均误差，并在攻击情境下优雅降至约 0.81 米。我们还通过消融研究表明，每个架构组件（注意力机制、TDoA 等）对准确性和鲁棒性都至关重要，误差比基线方法降低 4-5 倍。此外，系统可实时运行，在简单 CPU 上仅需 1 毫秒即可完成定位。代码已公开发布以确保可重复性（https://github.com/sec5gloc/Sec5GLoc）。
引用
@article{arxiv.2505.17776,
title = {Sec5GLoc: Securing 5G Indoor Localization via Adversary-Resilient Deep Learning Architecture},
author = {Ildi Alla and Valeria Loscri},
journal= {arXiv preprint arXiv:2505.17776},
year = {2025}
}