[論文レビュー] How to Make 5G Communications "Invisible": Adversarial Machine Learning for Wireless Privacy

Brian Kim, Yalin E. Sagduyu+3 more|arXiv (Cornell University)|May 15, 2020

Wireless Communication Security Techniques参考文献 23被引用数 11

ひとこと要約

本稿では、深層学習分類器を用いた盗聴者に対して5Gおよびその他の変調信号を検出不能にするために、敵対的機械学習を活用する協調ジャマッパー（CJ）を提案する。Fast Gradient Method（FGM）を用いて正確で低出力の摑みを生成することで、盗聴者が送信信号をノイズと誤検出するように仕向け、受信機の誤 bit 確率（BER）への影響を最小限に抑えつつ高い密かさを達成し、従来のガウスノイズジャミングを上回る性能を示す。

ABSTRACT

We consider the problem of hiding wireless communications from an eavesdropper that employs a deep learning (DL) classifier to detect whether any transmission of interest is present or not. There exists one transmitter that transmits to its receiver in the presence of an eavesdropper, while a cooperative jammer (CJ) transmits carefully crafted adversarial perturbations over the air to fool the eavesdropper into classifying the received superposition of signals as noise. The CJ puts an upper bound on the strength of perturbation signal to limit its impact on the bit error rate (BER) at the receiver. We show that this adversarial perturbation causes the eavesdropper to misclassify the received signals as noise with high probability while increasing the BER only slightly. On the other hand, the CJ cannot fool the eavesdropper by simply transmitting Gaussian noise as in conventional jamming and instead needs to craft perturbation signals built by adversarial machine learning to enable covert communications. Our results show that signals with different modulation types and eventually 5G communications can be effectively hidden from an eavesdropper even if it is equipped with a DL classifier to detect transmissions.

研究の動機と目的

• 深層学習分類器を用いた盗聴者がコvertな無線伝送を検出する課題に対処すること。
• 正当な信号をノイズと誤検出させるために、敵対的摑みを生成する協調ジャマッパー（CJ）を設計すること。
• ジャミングが意図した受信機の誤 bit 確率（BER）に与える影響を最小限に抑えること。
• 従来のガウスノイズジャミングと比較して、敵対的摑みが5G物理層信号を隠蔽する有効性を示すこと。
• さまざまな変調方式および5G波形における密かさと信頼性のトレードオフを評価すること。

提案手法

• 協調ジャマッパー（CJ）は、盗聴者の深層学習分類器が信号をノイズと誤検出する確率を最大化するために、Fast Gradient Method（FGM）を用いて敵対的摑みを生成する。
• ジャミングの干渉を受信機に最小限に抑えるために、出力パワー制約のもとで摂動を最適化し、誤 bit 確率（BER）の劣化を最小限に抑える。
• 送信機、受信機、盗聴者、CJ間の経路損失および信号伝搬効果をモデル化し、CJが受信機および盗聴者に与える影響をそれぞれ $d_{cr}$ および $d_{ce}$ でモデル化する。
• CJの摂動は、盗聴者が信号をノイズと誤検出する確率を高める条件を満たしつつ、摂動出力の最小化を目的とする。
• MATLAB 5Gツールボックスを用いて、QPSK、16QAM、および完全な5G上行リンク信号（UL-SCH、OFDM、LDPC符号化、QPSK変調）の実際の波形生成を実施し、評価を実施する。
• 性能はガウスノイズベースのジャミングと比較され、密かさ（誤検出率）および受信機におけるBERを指標とする。

実験結果

リサーチクエスチョン

• RQ1 敵対的機械学習を用いて、深層学習ベースの盗聴者分類器に対して5G信号を検出不能にできるか？
• RQ2 密かさとBERの観点から、敵対的摂動と従来のガウスノイズジャミングの性能を比較するとどうなるか？
• RQ3 密かさと受信機の信頼性の両立を最適化するための協調ジャマッパーの摂動の最適出力レベルは何か？
• RQ4 協調ジャマッパーの配置が、敵対的ジャミングの成功確率およびBER性能に与える影響は何か？
• RQ5 敵対的摂動は、複雑な5G物理層波形を深層学習分類器から効果的に隠蔽できるか、通信信頼性を維持できるか？

主な発見

• 敵対的摂動法は、SNRが3 dBでPNRが-8 dBの条件下で、盗聴者のDL分類器をだます成功率が65%に達し、ガウスノイズジャミングを著しく上回った。
• QPSK変調信号では、PNRが上昇するにつれて、敵対的摂動とガウスノイズベース摂動のBER差が縮小し、高PNR領域では敵対的摂動が低いBERを示した。
• $d_{ce} = 0.5$ かつ $d_{cr} = 1.5$ の場合、敵対的摂動はガウスノイズジャミングよりも低いBERを示し、CJが盗聴者に近い場合に受信機への干渉が小さいことを示した。
• 5G信号では、敵対的ジャミングがガウスノイズベースジャミングよりも高い密かさを達成し、特に高PNR領域で顕著であった。これは、複雑な波形に対しても有効であることを示した。
• 5G信号では、敵対的ジャミング下でもBER性能が安定しており、SNRが5 dBで $d_{ce} = d_{cr} = 1$ の条件下では、ガウスノイズベース手法よりも敵対的手法のBERが低かった。
• あるPNRの閾値を超えるとBER性能に飽和が見られ、密かさと信頼性の両立を最適化するための最適摂動出力が存在することが示された。