基于防御性蒸馏与对抗重训练的毫米波波束赋形预测模型对抗安全缓解方法
密码学与安全
2022-02-17 v1 人工智能
机器学习
网络与互联网体系结构
摘要
为波束赋形预测设计安全方案对下一代无线网络（5G、6G及更后续）至关重要。然而，在这些网络中利用深度学习算法保护波束赋形预测尚未达成共识。本文揭示了6G无线网络中基于深度神经网络（DNNs）的波束赋形预测深度学习的安全漏洞，其将波束赋形预测视为多输出回归问题。研究表明，初始DNN模型易受对抗攻击，如快速梯度符号法（FGSM）、基础迭代法（BIM）、投影梯度下降（PGD）和动量迭代法（MIM），因为初始DNN模型对训练数据对抗样本中的扰动敏感。本研究还针对毫米波（mmWave）波束赋形预测中基于人工智能（AI）的模型所受对抗攻击，提供了两种缓解方法：对抗训练与防御性蒸馏。此外，所提方案可用于训练数据中因对抗样本而遭损坏的情形。实验结果表明，所提方法能有效防御下一代无线网络中DNN模型面临的对抗攻击。
引用
@article{arxiv.2202.08185,
title = {The Adversarial Security Mitigations of mmWave Beamforming Prediction Models using Defensive Distillation and Adversarial Retraining},
author = {Murat Kuzlu and Ferhat Ozgur Catak and Umit Cali and Evren Catak and Ozgur Guler},
journal= {arXiv preprint arXiv:2202.08185},
year = {2022}
}
备注
26 pages, under review