[논문 리뷰] Communication without Interception: Defense against Deep-Learning-based Modulation Detection

Muhammad Zaid Hameed, András György외 1명|arXiv (Cornell University)|2019. 02. 27.

Wireless Signal Modulation Classification인용 수 29

한 줄 요약

이 논문은 도청자에 의한 딥러닝 기반 변조 검출에 대비해 송신기에서 별도의 별도의 복소수 변조 기반 왜곡 기법을 제안한다. 이는 정상 수신자에게는 영향을 주지 않으면서도, 딥러닝 기반 분류기의 오류를 유도하여 도청자의 정확도를 근본적으로 낮춘다. 미세한 신호 왜곡을 도입함으로써 신뢰할 수 있는 수신자는 거의 완벽한 복호화 성능 유지를 유지하면서도, 도청자는 근본적으로 무작위 수준의 정확도를 기록하게 된다.

ABSTRACT

We consider a communication scenario, in which an intruder, employing a deep neural network (DNN), tries to determine the modulation scheme of the intercepted signal. Our aim is to minimize the accuracy of the intruder, while guaranteeing that the intended receiver can still recover the underlying message with the highest reliability. This is achieved by constellation perturbation at the encoder, similarly to adversarial attacks against DNN-based classifiers. In the latter perturbation is limited to be imperceptible to a human observer, while in our case perturbation is constrained so that the message can still be reliably decoded by the legitimate receiver which is oblivious to the perturbation. Simulation results demonstrate the viability of our approach to make wireless communication secure against DNN-based intruders with minimal sacrifice in the communication performance.

연구 동기 및 목표

• 손실된 신호에서 변조 방식을 식별하는 딥러닝 기반 도청자로부터 무선 통신을 보호하기 위해.
• 적절한 신호 왜곡이 적용된 상황에서도 정상 수신자가 메시지를 신뢰성 있게 복호화할 수 있도록 보장하기 위해.
• 딥러닝 기반 도청자의 정확도를 최소화하면서도 통신 시스템의 성능을 떨어뜨리지 않기 위해.
• 물리 계층 보안을 위한 악성 공격과 유사한 방식의 방어 기법을 개발하기 위해.

제안 방법

• 딥러닝 기반 변조 분류기의 혼동을 유도하기 위해 송신기에서 복소수 변조 기반 왜곡을 도입한다.
• 정상 수신자가 왜곡을 인지하지 못하도록, 신호의 무결성을 유지하는 범위 내에서 왜곡을 적용한다.
• 왜곡 전략을 훈련하고 평가하기 위해 딥러닝 기반 도청자 모델을 서로 거래 모델로 활용한다.
• 딥러닝 분류기의 혼동을 극대화하면서도 정상 수신자의 비트 오류율을 최소화하도록 왜곡을 최적화한다.
• 도청자의 추론 과정을 시뮬레이션하는 훈련 절차를 통해 효과적이고 은밀한 왜곡을 생성한다.

실험 결과

연구 질문

• RQ1 복소수 변조 기반 왜곡이 딥러닝 기반 변조 분류기의 정확도를 효과적으로 낮출 수 있는가?
• RQ2 이러한 왜곡 전략이 정상 수신자의 성능에 어느 정도 영향을 미치는가?
• RQ3 악성 검출 조건 하에서 기존의 변조 방식과 비교해 본 방어 기법은 어떤가?
• RQ4 딥러닝 분류기에는 인식되지 않도록 왜곡을 설계하면서도 신뢰성 있는 통신 성능을 유지할 수 있는가?

주요 결과

• 제안된 방법은 딥러닝 기반 도청자의 변조 검출 정확도를 근본적으로 낮춰 무작위 수준으로 떨어뜨린다.
• 정상 수신자는 거의 완벽한 복호화 성능을 유지하며, 기존 시스템과 유사한 비트 오류율을 기록한다.
• 딥러닝 모델이 훈련을 위해 많은 양의 도청된 신호를 확보하고 있어도 이 방식은 효과를 발휘한다.
• 방어 기법은 최소한의 오버헤드를 유발하며, 성능 손실가장 미미한 수준에서 통신 신뢰성을 유지한다.