眼见为实：基于联邦学习的无线注入攻击检测原型
信息论
2023-11-14 v1 密码学与安全
math.IT
摘要
反应式注入攻击是无线网络中的一类安全威胁，其中 adversary 机会主义地在客户端的频带中注入欺骗数据包，从而迫使基站部署身份冒充检测方法。为规避此类威胁，我们在客户端实现基于密钥的物理层信令方法，使基站能够在其基带同相和正交（I/Q）采样上部署机器学习（ML）模型以进行攻击检测。利用基于 Adalm Pluto 的软件定义无线电实现基于密钥的信令方法，我们证明了可以在基站设计鲁棒的 ML 模型。然而，我们也指出，在实践中，基站处训练数据集的不足会使这些方法失效。因此，我们在回程网络中使用了联邦学习框架，其中一组需要保护其客户端免受反应式注入威胁的基站通过确保其数据集上的隐私来协作精炼其 ML 模型。利用 XBee 设备网络实现回程网络，我们的联邦学习装置上的实验结果显示检测精度显著提升，从而将无线安全呈现为 6G 及未来网络中联邦学习的极佳用例。
引用
@article{arxiv.2311.06564,
title = {Seeing is Believing: A Federated Learning Based Prototype to Detect Wireless Injection Attacks},
author = {Aadil Hussain and Nitheesh Gundapu and Sarang Drugkar and Suraj Kiran and J. Harshan and Ranjitha Prasad},
journal= {arXiv preprint arXiv:2311.06564},
year = {2023}
}
备注
6 pages with 8 figures