[논문 리뷰] Adversarial Attack on DL-based Massive MIMO CSI Feedback

Qing Liu, Jiajia Guo외 2명|arXiv (Cornell University)|2020. 02. 23.

Wireless Signal Modulation Classification참고 문헌 11인용 수 7

한 줄 요약

이 논문은 대규모 MIMO 시스템에서 딥러닝 기반 채널 상태 정보(CSI) 피드백에 대한 적대적 공격을 조사하며, 특히 채널 상태 정보를 압축하고 재구성하기 위한 신경망인 CsiNet을 대상으로 한다. 백박스 공격을 기반으로 한 화이트박스 적대적 공격을 제안하여 재구성 정확도를 심각하게 떨어뜨리며, 훈련 시 노이즈 환경에 노출되어 있음에도 불구하고 낮은 전력의 편향이 모델을 파괴할 수 있음을 보여주며, 딥러닝 기반 물리 계층 설계에서 심각한 보안 취약점을 드러낸다.

ABSTRACT

With the increasing application of deep learning (DL) algorithms in wireless communications, the physical layer faces new challenges caused by adversarial attack. Such attack has significantly affected the neural network in computer vision. We chose DL-based analog channel state information (CSI) to show the effect of adversarial attack on DL-based communication system. We present a practical method to craft white-box adversarial attack on DL-based CSI feedback process. Our simulation results showed the destructive effect adversarial attack caused on DL-based CSI feedback by analyzing the performance of normalized mean square error. We also launched a jamming attack for comparison and found that the jamming attack could be prevented with certain precautions. As DL algorithm becomes the trend in developing wireless communication, this work raises concerns regarding the security in the use of DL-based algorithms.

연구 동기 및 목표

• 딥러닝 기반 CSI 피드백 시스템, 특히 CsiNet의 대규모 MIMO 시스템 내 적대적 공격에 대한 취약성을 조사하는 것.
• 전통적 잡음 공격과의 비교를 통해 적대적 공격이 CSI 피드백 성능에 미치는 영향을 분석하는 것.
• 가우시안 백색 잡음(AWGN) 환경에서의 훈련이 적대적 편향에 대한 강건성 향상에 기여하는지 평가하는 것.
• 압축률과 채널 환경(실내 대비 실외)이 CsiNet의 적대적 강건성에 미치는 영향을 분석하는 것.

제안 방법

• CSI 피드백의 재구성 작업에 적합하게 수정된 빠른 기울기 부호 방법(FGSM) 기반의 화이트박스 적대적 공격을 설계하였다.
• 수신단에서 정규화된 평균 제곱 오차(NMSE)를 최대화하기 위해 입력 CSI 행렬에 작은 타겟 편향을 생성한다.
• CsiNet을 10 dB 및 20 dB SNR에서 AWGN 채널에서 재훈련하여 가우시안 노이즈 및 적대적 공격에 대한 강건성 수준을 평가한다.
• 다양한 압축률(1/4, 1/16, 1/32)과 채널 환경(실내 및 실외)에서 강건성 평가를 위해 실험을 수행한다.
• 적대적 공격 및 잡음 공격 조건에서 재구성된 CSI 행렬과 원본 CSI 행렬 간의 NMSE를 사용하여 성능을 평가한다.
• 다양한 SNR 및 환경 조건에서 신호 대 편향 비율(ISR)을 변화시켜 공격 성능를 비교 분석한다.

실험 결과

연구 질문

• RQ1 전통적 잡음 공격과 비교할 때, 화이트박스 적대적 공격이 CsiNet과 같은 딥러닝 기반 CSI 피드백 시스템의 성능에 얼마나 효과적으로 악영향을 미치는가?
• RQ2 CsiNet을 AWGN 환경에서 훈련하는 것이 적대적 편향에 대한 강건성 향상에 기여하는가?
• RQ3 CsiNet의 낮은 압축률이 적대적 공격에 대한 저항력을 향상시키는가?
• RQ4 무선 환경의 복잡성(실내 대비 실외 CSI)이 CsiNet에 대한 적대적 공격의 성공에 어떤 영향을 미치는가?

주요 결과

• 적대적 공격은 잡음 공격보다 훨씬 높은 NMSE 저하를 유도하며, ISR가 -30 dB일 경우 20 dB SNR에서 NMSE가 14.03 dB 증가한다.
• AWGN 환경에서 훈련된 후에도 CsiNet은 여전히 적대적 공격에 매우 취약하며, 10 dB 및 20 dB SNR에서 각각 NMSE가 8.94 dB 및 14.03 dB 증가한다.
• 낮은 압축률(예: 1/32)을 가진 CsiNet는 적대적 공격에 대해 더 높은 강건성을 보이며, 공격 조건에서 기준 NMSE로의 수렴 속도가 더 빠르다.
• 실외 CSI로 훈련된 모델은 실내 모델보다 적대적 공격에 더 심각하게 영향을 받으며, 복잡한 전파 환경에서 더 높은 취약성을 보인다.
• 저소자율(ISR) 조건에서 잡음 공격은 효과가 떨어지지만, 적대적 공격은 낮은 편향 전력 조건에서도 높은 파괴력을 유지한다.
• 이 연구는 적대적 공격이 기존의 잡음 공격보다 더 지속적이고 위험한 위협임을 확인하며, 특히 실제 세계의 복잡한 채널 조건에서 더욱 그러하다.