基于对抗深度学习的频谱数据投毒
网络与互联网体系结构
2019-01-29 v1 机器学习
摘要
机器学习已广泛应用于无线通信中。然而，机器学习在无线应用中的安全性方面尚未被充分理解。我们考虑这样一种情形：认知发射机感知频谱，并根据机器学习算法确定的空闲信道进行传输。我们提出了一种对抗机器学习方法，通过推断发射机的行为并试图在空中伪造频谱感知数据来发起频谱数据投毒攻击。为此，当信道空闲时， adversary 传输一小段时间以操纵发射机决策机制的输入。发射机处的认知引擎是一个深度神经网络模型，它以最小的感知误差预测空闲信道用于数据传输。发射机收集频谱感知数据并将其用作其机器学习算法的输入。同时，adversary 使用另一个深度神经网络模型构建认知引擎，以根据其频谱感知数据预测发射机何时将成功传输。随后 adversary 执行空中频谱数据投毒攻击，旨在当发射机感知时将信道占用状态从空闲更改为忙，从而使发射机被误导而做出错误的传输决策。与数据传干扰相比，该攻击更节能且更难检测。我们表明该攻击非常有效，并大幅降低了发射机的吞吐量。
引用
@article{arxiv.1901.09247,
title = {Spectrum Data Poisoning with Adversarial Deep Learning},
author = {Yi Shi and Tugba Erpek and Yalin E. Sagduyu and Jason H. Li},
journal= {arXiv preprint arXiv:1901.09247},
year = {2019}
}