[論文レビュー] Deep Learning for Launching and Mitigating Wireless Jamming Attacks

Tugba Erpek, Yalin E. Sagduyu+1 more|arXiv (Cornell University)|Jul 3, 2018

Wireless Communication Security Techniques参考文献 18被引用数 13

ひとこと要約

本稿では、チャネルセンシングとACKフィードバックを用いて、認知的無線ネットワークにおける成功した伝送を予測・妨害する深層学習ベースの敵対的ジャミング攻撃を提案する。これにより、送信機のスループットが顕著に低下する。さらに、ジャミングの訓練を高速化するためのGANベースのデータ拡張技術を導入し、送信機が意図的に制御された誤りを起こすことでジャミング攻撃者の分類器をだます因果的防御戦略を提示する。この戦略により、性能のわずかな損失で済ませながらも、システムの耐性が向上する。

ABSTRACT

An adversarial machine learning approach is introduced to launch jamming attacks on wireless communications and a defense strategy is presented. A cognitive transmitter uses a pre-trained classifier to predict the current channel status based on recent sensing results and decides whether to transmit or not, whereas a jammer collects channel status and ACKs to build a deep learning classifier that reliably predicts the next successful transmissions and effectively jams them. This jamming approach is shown to reduce the transmitter's performance much more severely compared with random or sensing-based jamming. The deep learning classification scores are used by the jammer for power control subject to an average power constraint. Next, a generative adversarial network (GAN) is developed for the jammer to reduce the time to collect the training dataset by augmenting it with synthetic samples. As a defense scheme, the transmitter deliberately takes a small number of wrong actions in spectrum access (in form of a causative attack against the jammer) and therefore prevents the jammer from building a reliable classifier. The transmitter systematically selects when to take wrong actions and adapts the level of defense to mislead the jammer into making prediction errors and consequently increase its throughput.

研究の動機と目的

• 機械学習の認知的無線システムにおけるセキュリティリスク、特に敵対的ジャミング攻撃を調査すること。
• チャネルセンシングとACKフィードバックを用いて、成功した伝送を予測する深層学習ベースのジャミング機を設計すること。
• 生成的敵対ネットワーク（GAN）を用いて合成された訓練データを生成することで、ジャミング機の訓練時間を短縮すること。
• 送信機が意図的にスプライススペクトルアクセスの決定を誤ることで、ジャミング機の予測精度を低下させる因果的防御機構を開発すること。
• 距離や干渉の変動を伴う現実的な無線環境下で、提案されたジャミングおよび防御手法の有効性を評価すること。

提案手法

• ジャミング機は、センシング結果とACKフィードバックに基づいてチャネル状態を分類する深層ニューラルネットワークを用い、送信機がパケットを正常に送信するタイミングを予測する。
• ジャミング機は分類スコアを用いて、平均電力制約下で送信電力を制御し、ジャミング効率を最適化する。
• 生成的敵対ネットワーク（GAN）を訓練して合成された訓練サンプルを生成し、ジャミング機の分類器の訓練に必要な実世界データ収集時間の短縮を図る。
• 送信機は、自らの分類信頼度スコアに基づいて、少数の時隙を意図的に不適切にスペクトルにアクセスすることで因果的攻撃を実装する。
• 防御戦略は、送信機自身の性能を著しく損なわせることなく、ジャミング機のモデルに混乱をもたらすように、これらの誤動作のタイミングと周波数を動的に調整する。
• システムは、1台の送信機、1台の受信機、1台のジャミング機、およびバックグラウンドトラフィック源を含むマルチノード環境で評価され、スループットと成功確率を指標に性能が測定される。

実験結果

リサーチクエスチョン

• RQ1 従来のジャミング手法と比較して、深層学習ベースのジャミング機は、成功した伝送を予測・妨害する上でどれほど有効であるか？
• RQ2 生成的敵対ネットワーク（GAN）を用いて合成された訓練データを生成することで、ジャミング機の訓練プロセスを加速できるか？
• RQ3 送信機が意図的に誤ったスペクトルアクセス決定をとるという因果的攻撃が、ジャミング機の予測精度に与える影響は何か？
• RQ4 ジャミング機と受信機、またはバックグラウンド送信機との距離が、ジャミング機の学習能力および送信機の性能に与える影響は何か？
• RQ5 ジャミング機のモデルや行動に関する事前知識がなくても、送信機の防御戦略は適応的かつ効果的であるか？

主な発見

• 提案された深層学習ベースのジャミング攻撃により、ジャミング機が受信機に近い状態では、送信機のスループットが最大18.2％低下し、成功確率が22.75％低下した。これは、ランダムジャミングやセンシングベースのジャミングよりも顕著に優れた性能を示した。
• ジャミング機が受信機から24.14単位離れている場合、送信機の成功確率は22.75％に低下した。これは、ジャミング機の位置が攻撃効果に強く影響することを示している。
• GANベースのデータ拡張により、合成サンプルを用いた迅速な分類器訓練が可能になり、ジャミング機の学習時間が短縮された。これは、迅速な展開を可能にした。
• ジャミング機がバックグラウンド送信機から24.14単位離れている場合、送信機の成功確率は69.75％、スループットは1スロットあたり0.558パケットを達成した。これは、バックグラウンド送信機からの距離が増えることで送信機の耐性が向上することを示している。
• 少数の時隙にわたり、体系的に誤ったアクセス決定をとることで、送信機が因果的防御戦略を実装した結果、ジャミング機の誤分類率が顕著に上昇し、ジャミング機の効果が著しく低下したが、送信機自身のコストは最小限に抑えられた。
• ジャミング機のモデルや行動に関する事前知識がなくても、送信機の防御機構は適応的かつ効果的であり、リアルタイムのパフォーマンス指標に基づいて防御レベルを調整できることが示された。