[論文レビュー] Generative Adversarial Network for Wireless Signal Spoofing

Yi Shi, Kemal Davaslıoğlu+1 more|arXiv (Cornell University)|May 3, 2019

Wireless Signal Modulation Classification参考文献 27被引用数 10

ひとこと要約

本論文は、攻撃者である送信機と受信機が共同で訓練する生成対抗ネットワーク（GAN）に基づく無線信号スプーフィング攻撃を提案する。GANの生成器は、正当な信号と区別がつかない合成信号を生成するように学習する。生成器は深層学習ベースのRFフォグリプリント分類器をだますように学習し、76.2％のスプーフィング成功率を達成した。これは、ランダム攻撃（7.89％）やリプレイ攻撃（36.2％）を著しく上回り、深層学習防御の脆弱性を示している。

ABSTRACT

The paper presents a novel approach of spoofing wireless signals by using a general adversarial network (GAN) to generate and transmit synthetic signals that cannot be reliably distinguished from intended signals. It is of paramount importance to authenticate wireless signals at the PHY layer before they proceed through the receiver chain. For that purpose, various waveform, channel, and radio hardware features that are inherent to original wireless signals need to be captured. In the meantime, adversaries become sophisticated with the cognitive radio capability to record, analyze, and manipulate signals before spoofing. Building upon deep learning techniques, this paper introduces a spoofing attack by an adversary pair of a transmitter and a receiver that assume the generator and discriminator roles in the GAN and play a minimax game to generate the best spoofing signals that aim to fool the best trained defense mechanism. The output of this approach is two-fold. From the attacker point of view, a deep learning-based spoofing mechanism is trained to potentially fool a defense mechanism such as RF fingerprinting. From the defender point of view, a deep learning-based defense mechanism is trained against potential spoofing attacks when an adversary pair of a transmitter and a receiver cooperates. The probability that the spoofing signal is misclassified as the intended signal is measured for random signal, replay, and GAN-based spoofing attacks. Results show that the GAN-based spoofing attack provides a major increase in the success probability of wireless signal spoofing even when a deep learning classifier is used as the defense.

研究の動機と目的

• 深層学習を活用して正当な送信と区別がつかない無線信号を生成する、新しいスプーフィング攻撃を開発すること。
• 実際の無線信号の波形、チャネル、ハードウェア固有の特徴を統合的に模倣するGANの有効性を調査すること。
• 深層学習ベースの防御機構がRFフォグリプリントに特化して訓練された場合の、GANベースのスプーフィング攻撃の成功率を評価すること。
• 攻撃者が訓練時とは異なる場所に移動する移動状態における攻撃のロバストネスを分析すること。
• GANを活用する敵対的スプーフィング攻撃に対する、無線通信分野における新たな防御メカニズムの必要性を強調すること。

提案手法

• 攻撃者である送信機（生成器）と受信機（識別器）の間でミニマックスゲームが行われるGANを訓練する。生成器は、正当な信号の統計的性質に一致する合成信号を生成するように学習する。
• 生成器と識別器の両方とも、128個のニューロンを有する3層の全結合隠れ層を備え、識別器が本物の信号と生成された信号を区別できる能力を最小限に抑えるために、標準的なGANの目的関数で訓練される。
• 訓練プロセスでは、生成器の目的関数を、識別器が生成されたサンプルを偽物と分類する確率の対数として最適化することで、勾配消失を緩和する損失関数が使用される。
• GANは、正当な送信機から収集したスペクトラムセンシングデータを用いて訓練され、その送信機固有の波形、チャネル効果、ハードウェア効果を捉え込む。
• 収束後、訓練済みの生成器は合成信号を生成し、無線チャネルを介して送信され、事前に訓練済みの深層学習分類器を用いて受信側で評価される。
• 攻撃の成功は、分類器が合成信号を正当な送信元からのものと誤って識別する確率として測定される。

実験結果

リサーチクエスチョン

• RQ1 GANは、正当な送信機の波形、チャネル、ハードウェア固有の特徴を統合的に模倣できるように、効果的に訓練可能か？
• RQ2 深層学習ベースのRFフォグリプリント分類器に対して評価した場合、GANベースのスプーフィング攻撃の成功率は、ランダム信号攻撃やリプレイ攻撃と比べてどの程度優れているか？
• RQ3 攻撃者が訓練後、元の訓練位置から離れて移動した場合、GANベースのスプーフィング攻撃の耐性はどの程度保たれるか？
• RQ4 深層学習ベースの防御機構がスプーフィングを検出することを目的としている場合、GANベースの攻撃はその性能をどの程度低下させるか？
• RQ5 GANによって生成されたスプーフィング攻撃は、物理層認証に依存する無線通信システムのセキュリティにどのような影響を及えるか？

主な発見

• GANベースのスプーフィング攻撃は、深層学習ベースのRFフォグリプリント分類器をだます成功率が76.2％に達し、ランダム信号（7.89％）やリプレイ攻撃（36.2％）を著しく上回った。
• 攻撃者が元の訓練位置から離れて移動しても、攻撃の成功率は依然として高い水準を維持しており、15メートル離れた地点でも61.0％に低下するにとどまる。
• 移動に伴う性能劣化はチャネル特性の変化によるものであり予想されるが、依然として従来のリプレイ手法よりもはるかに効果的である。
• ランダム信号やリプレイ信号を明確に区別できる深層学習ベースの分類器は、GANによって生成された信号を検出できず、現在の防御メカニズムに深刻な脆弱性があることを示している。
• 結果から、GANが複雑で現実世界の信号特徴を効果的に再現できることが示され、高度なスプーフィング攻撃を実現可能であることが明らかになった。