[논문 리뷰] Deep Learning for Launching and Mitigating Wireless Jamming Attacks

Tugba Erpek, Yalin E. Sagduyu외 1명|arXiv (Cornell University)|2018. 07. 03.

Wireless Communication Security Techniques참고 문헌 18인용 수 13

한 줄 요약

이 논문은 채널 감지 및 ACK 피드백를 활용하여 성공적인 전송를 예측하고 방해하는 딥러닝 기반의 적대적 잡음 공격을 제안한다. 이로 인해 송신기의 전송량이 크게 감소한다. 또한, 잡음 공격자 훈련을 가속화하기 위해 GAN 기반의 데이터 증강 기법을 도입하고, 송신기가 의도적으로 제어된 오류를 만들어 잡음 공격자의 분류기를 오도시키는 원인 방어 전략을 제시함으로써, 성능 손실를 최소화하면서도 저항력을 향상시킨다.

ABSTRACT

An adversarial machine learning approach is introduced to launch jamming attacks on wireless communications and a defense strategy is presented. A cognitive transmitter uses a pre-trained classifier to predict the current channel status based on recent sensing results and decides whether to transmit or not, whereas a jammer collects channel status and ACKs to build a deep learning classifier that reliably predicts the next successful transmissions and effectively jams them. This jamming approach is shown to reduce the transmitter's performance much more severely compared with random or sensing-based jamming. The deep learning classification scores are used by the jammer for power control subject to an average power constraint. Next, a generative adversarial network (GAN) is developed for the jammer to reduce the time to collect the training dataset by augmenting it with synthetic samples. As a defense scheme, the transmitter deliberately takes a small number of wrong actions in spectrum access (in form of a causative attack against the jammer) and therefore prevents the jammer from building a reliable classifier. The transmitter systematically selects when to take wrong actions and adapts the level of defense to mislead the jammer into making prediction errors and consequently increase its throughput.

연구 동기 및 목표

• 기계학습의 보안 위험, 특히 인지 무선 시스템에서의 적대적 잡음 공격을 조사한다.
• 채널 감지 및 ACK 피드백를 사용하여 성공적인 전송를 예측하는 딥러닝 기반의 잡음 공격자를 설계한다.
• 생성적 적대적 네트워크(GAN)를 활용하여 훈련 데이터를 합성함으로써 잡음 공격자의 훈련 시간을 단축시킨다.
• 송신기가 의도적으로 스펙트럼 접근 결정을 잘못 선택하여 잡음 공격자의 예측 정확도를 떨어뜨리는 원인 방어 메커니즘을 개발한다.
• 다양한 거리와 간섭 조건을 고려한 현실적인 무선 환경에서 제안된 잡음 공격 및 방어 기법의 효과성을 평가한다.

제안 방법

• 잡음 공격자는 채널 상태를 감지 결과와 ACK 피드백 기반으로 분류하기 위해 딥 네트워크를 사용하며, 송신기가 패킷을 성공적으로 전송할 시점을 예측한다.
• 잡음 공격자는 평균 전력 제약 하에서 분류 점수를 활용하여 전송 전력 제어를 수행함으로써 잡음 효율성을 최적화한다.
• 생성적 적대적 네트워크(GAN)는 실제 데이터 수집에 소요되는 시간을 줄이기 위해 훈련 샘플을 합성하기 위해 훈련된다.
• 송신자는 자신의 분류 신뢰도 점수 기반으로 소수의 시간 슬롯에서 스펙트럼을 부적절하게 접근함으로써 원인 공격을 구현한다.
• 방어 전략은 송신기의 성능에 큰 영향을 주지 않으면서도 잡음 공격자의 모델에 혼란을 최대화하기 위해 이러한 잘못된 행동의 시기와 주파수를 동적으로 조정한다.
• 시스템은 하나의 송신기, 하나의 수신기, 하나의 잡음 공격자, 배경 트래픽 소스를 포함하는 다중 노드 환경에서 평가되며, 성능은 전송량과 성공 비율로 측정된다.

실험 결과

연구 질문

• RQ1 기존의 잡음 공격 방법과 비교해 볼 때, 딥러닝 기반의 잡음 공격자가 성공적인 전송를 예측하고 방해하는 데 얼마나 효과적인가?
• RQ2 생성적 적대적 네트워크(GAN)를 활용하여 합성 훈련 데이터를 생성함으로써 잡음 공격자의 훈련 과정을 가속화할 수 있는가?
• RQ3 송신자가 의도적으로 잘못된 스펙트럼 접근 결정을 내리는 것—즉, 원인 공격이 잡음 공격자의 예측 정확도에 어떤 영향을 미치는가?
• RQ4 잡음 공격자와 수신기 또는 배경 전송자 사이의 거리가 잡음 공격자의 학습 능력과 송신기의 성능에 어떤 영향을 미치는가?
• RQ5 잡음 공격자의 모델이나 행동에 대한 사전 지식 없이도 송신자의 방어 전략이 적응 가능하고 효과적인가?

주요 결과

• 제안된 딥러닝 기반의 잡음 공격은 잡음 공격자가 수신기 근처에 있을 경우 송신기의 전송량을 최대 18.2% 감소시키고 성공 비율을 22.75% 감소시켜, 무작위 및 감지 기반 잡음 공격보다 뛰어난 성능을 보였다.
• 잡음 공격자가 수신기에서 24.14 단위 떨어져 있을 경우, 송신기의 성공 비율은 22.75%로 떨어졌으며, 이는 잡음 공격자의 접근 거리가 공격 효과성에 큰 영향을 미친다는 것을 시사한다.
• GAN 기반의 데이터 증강은 실세계 데이터 수집 시간을 단축시켜 잡음 공격자 분류기의 훈련 속도를 높였으며, 이는 빠른 구현을 가능하게 하였다.
• 잡음 공격자가 배경 전송자에서 24.14 단위 떨어져 있을 경우, 송신기는 성공 비율 69.75%와 전송량 0.558 패킷/슬롯을 달성하여 배경 소스로부터의 거리 증가가 송신기의 저항력 향상에 기여함을 보여주었다.
• 소수의 체계적인 시간 슬롯에서 의도적으로 잘못된 접근 결정을 내리는 원인 방어 전략은 잡음 공격자의 오분류 비율을 크게 증가시켜, 송신기의 비용을 최소화하면서도 잡음 공격자의 효과성을 떨어뜨렸다.
• 잡음 공격자의 모델이나 행동에 대한 사전 지식 없이도 방어 메커니즘이 적응 가능하고 효과적이었으며, 실시간 성능 지표를 기반으로 방어 수준을 조정할 수 있었다.