面向在线 (MIMO-) 深度接收器的迁移式对抗性毒化攻击

最近，针对复杂信道环境确保可靠通信的深层神经网络 (DNN) 设计的无线接收器（称为深度接收器）引起了广泛关注。为快速适应动态信道，已采用在线学习来更新使用热身信号（pilots）的深度接收器权重。然而，神经模型的脆弱性以及无线信道的开放性使这些系统暴露于恶意攻击。为此，理解这些攻击方法对于健壮的接收器设计至关重要。本文提出了一种针对在线接收器的迁移式对抗性毒化攻击方法。该方法在不了解攻击目标的情况下，向热身信号注入对抗性扰动，破坏在线深度接收器的学习能力，使其难以适应动态信道和非线性效应。具体而言，我们针对使用在线元学习的 Deep Soft Interference Cancellation (DeepSIC)[1] 进行攻击。作为一种经典的模型驱动型深度接收器，DeepSIC 将无线域知识整合到其体系结构中。这种集成使其仅需少量热身信号即可高效适应时变信道，在多输入多输出 (MIMO) 场景下实现最佳性能。该场景下的深度接收器在无线通信领域具有诸多应用，促使我们研究针对其的攻击方法。具体而言，我们在模拟的合成线性信道、合成非线性信道、静态信道以及 COST 2100 信道中展示了该攻击的有效性。仿真结果表明，所提出的毒化攻击在快速变化的场景中显著降低了在线接收器的性能。