当攻击者遇见 AI：协作频谱感知中学习型赋能的攻击
网络与互联网体系结构
2020-07-30 v2 密码学与安全
机器学习
摘要
防御策略已被充分研究以对抗 Byzantine 攻击——此类攻击通过向融合中心发送伪造的频谱感知数据来破坏协作频谱感知。然而，现有研究通常将网络或攻击者视为被动实体，例如假设攻击的先验知识已知或固定。实际上，攻击者可以主动采取任意行为并规避防御策略所使用的预假设模式或假设。本文将此安全漏洞重新审视为对抗机器学习问题，并提出一种名为学习-评估-击败（LEB）的新型学习型赋能攻击框架以误导融合中心。基于协作频谱感知中融合中心的黑盒性质，我们的新视角是使对抗方利用机器学习构建融合中心决策模型的替代模型。我们提出一种通用算法，利用该替代模型生成恶意感知数据。我们的真实世界实验表明，LEB 攻击可有效击败多种现有防御策略，成功率高达 82%。鉴于所提 LEB 攻击与现有防御间的差距，我们引入一种称为影响限制防御的非侵入式方法，其可与现有防御共存以防御 LEB 攻击或其他类似攻击。我们表明该防御高度有效，将 LEB 攻击的总体破坏率降低高达 80%。
引用
@article{arxiv.1905.01430,
title = {When Attackers Meet AI: Learning-empowered Attacks in Cooperative Spectrum Sensing},
author = {Zhengping Luo and Shangqing Zhao and Zhuo Lu and Jie Xu and Yalin E. Sagduyu},
journal= {arXiv preprint arXiv:1905.01430},
year = {2020}
}