[논문 리뷰] Adversarial Machine Learning for 5G Communications Security

Yalin E. Sagduyu, Tugba Erpek외 1명|arXiv (Cornell University)|2021. 01. 07.

Adversarial Robustness in Machine Learning참고 문헌 68인용 수 11

한 줄 요약

이 논문은 5G 통신에서의 적대적 기계학습 공격을 조사하며, CBRS 대역에서의 스펙트럼 공유와 GAN으로 생성된 위조 신호를 통한 물리계층 인증에 초점을 맞춘다. 공격자 모델 훈련을 방해하기 위해 인증 과정에 통제된 오류를 도입하는 방어 기법을 제안하여 위조 공격 성공률을 90%에서 61.8%로 감소시켰으며, 방어 확률은 단지 2%에 불과하다.

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.

연구 동기 및 목표

• 5G 통신 시스템을 대상으로 하는 신규 적대적 기계학습 위협, 특히 스펙트럼 공유 및 물리계층 인증 분야에서의 위협을 특정하고 분석하는 것.
• 공격자가 5G의 딥러닝 모델을 악용하여 스펙트럼 감지에 간섭하거나 GAN을 사용해 사용자 기기 신호를 위조함으로써 공격을 수행할 수 있는 방식을 보여주는 것.
• 공격자가 효과적인 서rogate 모델을 훈련하는 데 영향을 주기 위해 gNodeB에서 선택적 오류를 도입하는 경량 방어 기법을 개발하는 것.
• 적대적 5G 환경에서 방어 효과성과 시스템 성능 저하 사이의 트레이드오프를 정량화하는 것.

제안 방법

• 딥러닝 기반 인증을 회피하기 위해 실제 사용자 기기(UE) 웨이브폼, 포함해 채널 및 하드웨어 효과까지 모의하는 GAN을 활용해 5G 신호를 합성한다.
• 환경 감지 능력(ESC) 시스템의 딥러닝 분류기의 신호 수준 입력을 조작하여 CBRS 대역에서의 스펙트럼 공유를 방해하는 잡음 공격을 설계한다.
• 5G gNodeB가 정상 사용자 UE의 인증 요청 중 소수(예: 1–5%)를 의도적으로 거부함으로써 공격자의 서rogate 모델 훈련에 불확실성을 증가시키는 방어 전략을 도입한다.
• 공격자의 모델에 혼란을 주기 위해 고신뢰도 인증 샘플을 우선적으로 거부하여 방어 행동의 수를 최소화한다.
• 방어 행동 비율(Pd)을 최적화하여 공격 성공 확률을 감소시키면서도 낮은 오진 경고 비율을 유지하는 확률적 방어 모델을 사용한다.
• 다양한 신호 대 잡음비(SNR) 조건에서 공격 및 방어 성능을 평가하여, 다양한 채널 조건에서도 방어 기법의 강건성을 입증한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 스펙트럼 감지에 영향을 주기 위해 잡음 공격을 사용함으로써, CBRS 대역에서의 5G 스펙트럼 공유를 어떻게 방해할 수 있는가?
• RQ2 다양한 SNR 조건에서 GAN으로 생성된 위조 신호가 5G 네트워크의 딥러닝 기반 물리계층 인증을 얼마나 효과적으로 우회할 수 있는가?
• RQ3 gNodeB에서 통제된 오류를 도입함으로써 공격자가 효과적인 서rogate 모델을 훈련하는 데 영향을 미치는 정도는 어떠한가?
• RQ4 방어 행동 비율(Pd)이 공격 성공 확률 감소와 정상 사용자 접근 저하 사이의 트레이드오프에 어떤 영향을 미치는가?

주요 결과

• 위조 공격은 -3 dB SNR 조건에서 90.0%의 성공률를 기록하여, 딥러닝 기반 5G 사용자 인증을 우회하는 데 높은 효과성을 입증하였다.
• Pd = 0.01인 방어 확률로도 공격 성공률가 68.2%로 감소하여, 최소한의 성능 손실로도 시스템의 저항력 향상 효과가 뚜렷하였다.
• Pd를 0.05로 증가시켰을 때 공격 성공률는 59.4%로 감소하였고, Pd를 0.1 또는 0.2로 더 높이면 성능 향상이 거의 없어져 효과의 수렴이 이루어짐을 시사하였다.
• 방어 기법은 정상 사용자에게 오진 경고를 크게 증가시키지 않으면서도 공격자의 서rogate 모델 훈련에 불확실성을 증가시키는 데 성공하였다.
• 스펙트럼 공유에 대한 잡음 공격은 데이터 전송 및 감지 기간을 방해하여 5G 대역폭을 감소시키는 데 효과적이었으며, 탐지하기 어려운 흔적을 최소화하였다.
• 제안된 방어 기법은 위조 공격 뿐 아니라 스펙트럼 공유 공격에도 적용 가능하며, 전송 결정에 통제된 오류를 도입함으로써 효과를 발휘한다.