[論文レビュー] Adversarial Machine Learning for 5G Communications Security

Yalin E. Sagduyu, Tugba Erpek+1 more|arXiv (Cornell University)|Jan 7, 2021

Adversarial Robustness in Machine Learning参考文献 68被引用数 11

ひとこと要約

本稿は、CBRS帯域におけるスケジューリング共有とGANによって生成されたスプーフィングを用いた物理層認証を対象とした5G通信における敵対的機械学習攻撃を調査する。防御策として、認証プロセスに制御された誤りを導入し、敵対的モデルの学習を妨げることで、スプーフィング攻撃の成功率を90%から61.8%まで低下させる。防御確率はたった2%で達成可能である。

ABSTRACT

Machine learning provides automated means to capture complex dynamics of wireless spectrum and support better understanding of spectrum resources and their efficient utilization. As communication systems become smarter with cognitive radio capabilities empowered by machine learning to perform critical tasks such as spectrum awareness and spectrum sharing, they also become susceptible to new vulnerabilities due to the attacks that target the machine learning applications. This paper identifies the emerging attack surface of adversarial machine learning and corresponding attacks launched against wireless communications in the context of 5G systems. The focus is on attacks against (i) spectrum sharing of 5G communications with incumbent users such as in the Citizens Broadband Radio Service (CBRS) band and (ii) physical layer authentication of 5G User Equipment (UE) to support network slicing. For the first attack, the adversary transmits during data transmission or spectrum sensing periods to manipulate the signal-level inputs to the deep learning classifier that is deployed at the Environmental Sensing Capability (ESC) to support the 5G system. For the second attack, the adversary spoofs wireless signals with the generative adversarial network (GAN) to infiltrate the physical layer authentication mechanism based on a deep learning classifier that is deployed at the 5G base station. Results indicate major vulnerabilities of 5G systems to adversarial machine learning. To sustain the 5G system operations in the presence of adversaries, a defense mechanism is presented to increase the uncertainty of the adversary in training the surrogate model used for launching its subsequent attacks.

研究の動機と目的

• 5G通信システム、特にスケジューリング共有と物理層認証を標的とした、新たな敵対的機械学習攻撃の特定と分析。
• 敵対的攻撃者が5Gにおけるディープラーニングモデルを、スケジューリングセンシングのジャミングやGANを用いたユーザー機器信号のスプーフィングによって悪用する方法を示す。
• gNodeBで選択的な誤りを導入することで、敵対的サロゲートモデルの学習能力を低下させる軽量な防御機構の開発。
• 敵対的5G環境における防御効果とシステムパフォーマンス劣化のトレードオフを定量的に評価する。

提案手法

• 生成的敵対的ネットワーク（GAN）を用いて、チャネル効果やハードウェア効果を含む実際のユーザー機器（UE）波形を模倣する5G信号を合成し、gNodeBにおけるディープラーニングベースの認証を回避する。
• 環境センシング能力（ESC）システムにおけるディープラーニング分類器の信号レベル入力を操作するジャミング攻撃を設計し、CBRS帯域におけるスケジューリング共有を妨害する。
• 5GのgNodeBが正当なUEからの認証要求のわずかな割合（例：1–5%）を意図的に拒否することで、敵対的サロゲートモデル学習における不確実性を高める防御戦略を導入する。
• 敵対的モデルの混乱を最大限に高めるために、高い信頼度の認証サンプルを拒否対象に選択し、必要な防御行動の数を最小限に抑える。
• 防御行動の割合（Pd）を最適化する確率的防御モデルを用い、攻撃成功確率を低下させつつ、誤検出率を低く保つ。
• さまざまな信号対雑音比（SNR）における攻撃および防御のパフォーマンスを評価し、異なるチャネル状態下でも防御の強靱性を示す。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのスケジューリングセンシングにジャミング攻撃を適用することで、CBRS帯域における5Gスケジューリング共有をどのように混乱させることができるか？
• RQ2 異なるSNR条件下で、GANによって生成されたスプーフィング信号は、5Gネットワークにおけるディープラーニングベースの物理層認証をどの程度効果的に回避できるか？
• RQ3 gNodeBで制御された誤りを導入することで、敵対的攻撃のための効果的なサロゲートモデルの学習能力にどのような影響を与えるか？
• RQ4 防御行動の割合（Pd）を変化させた場合、攻撃成功確率の低下と正当なユーザーのアクセス劣化のトレードオフはどのように変化するか？

主な発見

• スプーフィング攻撃は-3 dB SNRで90.0%の成功率を達成し、ディープラーニングベースの5Gユーザー認証を効果的に回避できることを示した。
• 防御確率Pd = 0.01の条件下では、攻撃成功率が68.2%に低下し、パフォーマンスコストを最小限に抑えつつ、システムのレジliエンスが著しく向上したことが示された。
• Pdを0.05に引き上げると攻撃成功率は59.4%に低下し、さらにPdを0.1または0.2に引き上げても改善はわずかにしか得られず、効果の収束が確認された。
• 防御機構は、正当なユーザーに対する誤検出率を著しく上昇させることなく、敵対的サロゲートモデル学習における不確実性を成功裏に高めた。
• ジャミングによるスケジューリング共有への攻撃は、データ通信期間およびセンシング期間を効果的に混乱させ、5Gスループットを低下させつつも、検出可能な痕跡を最小限に抑えた。
• 提案された防御はスプーフィング攻撃に限定されず、送信意思決定における制御された誤りを導入することにより、スケジューリング共有攻撃に対しても適用可能である。