[논문 리뷰] Generative Adversarial Network for Wireless Signal Spoofing

Yi Shi, Kemal Davaslıoğlu외 1명|arXiv (Cornell University)|2019. 05. 03.

Wireless Signal Modulation Classification참고 문헌 27인용 수 10

한 줄 요약

이 논문은 공격자 쌍(송신기 및 수신기)이 함께 훈련하는 생성적 적대적 네트워크(GAN) 기반 무선 신호 위조 공격을 제안한다. 이 GAN은 정상 신호와 구분이 가지 않는 합성 신호를 생성한다. GAN의 생성기(G)는 딥러닝 기반의 RF 지문 분류기의 오인식을 유도하도록 학습되며, 위조 성공률는 76.2%에 달한다. 이는 무작위 공격(7.89%)과 재생 공격(36.2%)보다 뚜렷하게 높으며, 딥러닝 기반 방어 기법의 취약성을 입증한다.

ABSTRACT

The paper presents a novel approach of spoofing wireless signals by using a general adversarial network (GAN) to generate and transmit synthetic signals that cannot be reliably distinguished from intended signals. It is of paramount importance to authenticate wireless signals at the PHY layer before they proceed through the receiver chain. For that purpose, various waveform, channel, and radio hardware features that are inherent to original wireless signals need to be captured. In the meantime, adversaries become sophisticated with the cognitive radio capability to record, analyze, and manipulate signals before spoofing. Building upon deep learning techniques, this paper introduces a spoofing attack by an adversary pair of a transmitter and a receiver that assume the generator and discriminator roles in the GAN and play a minimax game to generate the best spoofing signals that aim to fool the best trained defense mechanism. The output of this approach is two-fold. From the attacker point of view, a deep learning-based spoofing mechanism is trained to potentially fool a defense mechanism such as RF fingerprinting. From the defender point of view, a deep learning-based defense mechanism is trained against potential spoofing attacks when an adversary pair of a transmitter and a receiver cooperates. The probability that the spoofing signal is misclassified as the intended signal is measured for random signal, replay, and GAN-based spoofing attacks. Results show that the GAN-based spoofing attack provides a major increase in the success probability of wireless signal spoofing even when a deep learning classifier is used as the defense.

연구 동기 및 목표

• 딥러닝을 활용해 정상 전송과 구분이 가지 않는 무선 신호를 생성하는 새로운 위조 공격을 개발한다.
• 실제 무선 신호의 파형, 채널, 하드웨어 특성을 종합적으로 모방하는 GAN의 효과를 조사한다.
• 딥러닝 기반 방어 메커니즘이 RF 지문 분류를 위해 훈련된 경우, GAN 기반 위조 공격의 성공률를 평가한다.
• 공격자가 원래 훈련 위치에서 이동하는 이동 조건 하에서 공격의 강건성을 분석한다.
• GAN 기반 공격에 대비한 새로운 방어 기법이 무선 통신 분야에서 급박하게 필요하다는 점을 부각한다.

제안 방법

• 공격자 송신기(생성기)와 수신기(판별기) 사이의 최소-최대 게임 구조로 GAN을 훈련하며, 생성기는 정상 신호의 통계적 특성을 갖는 합성 신호를 생성하도록 학습된다.
• 생성기와 판별기 각각은 128개의 뉴런을 가진 3개의 완전 연결 히든 레이어를 갖으며, 판별기가 실제 신호와 생성된 신호를 구분하는 능력을 최소화하도록 표준 GAN 목적함수를 사용해 훈련된다.
• 훈련 과정은 생성기의 목적함수를 생성된 샘플이 가짜로 분류될 확률의 로그로 최적화함으로써 기울기 소실 문제를 완화한다.
• GAN은 정상 송신기로부터 수집한 스펙트럼 감지 데이터를 기반으로 훈련되며, 이 데이터는 고유한 파형, 채널, 하드웨어 영향을 모두 포함한다.
• 수렴한 후, 훈련된 생성기는 합성 신호를 생성하고 이를 무선 채널을 통해 전송하며, 사전 훈련된 딥러닝 분류기를 사용해 수신기에서 평가된다.
• 공격 성공률는 분류기가 합성 신호를 정상 송신기에서 유래한 것으로 잘못 분류할 확률로 측정된다.

실험 결과

연구 질문

• RQ1 정상 송신기의 복합 파형, 채널, 하드웨어 특성을 모방할 수 있도록 GAN을 효과적으로 훈련시킬 수 있는가?
• RQ2 딥러닝 기반 RF 지문 분류기 대비 GAN 기반 위조 공격의 성공률는 랜덤 신호 공격 및 재생 공격 대비 어떻게 비교되는가?
• RQ3 공격자 송신기가 훈련 후 새로운 위치로 이동할 경우, GAN 기반 위조 공격의 강건성은 어떠한가?
• RQ4 딥러닝 기반 방어 기법이 위조 탐지 목적에 설계되어 있을 때, GAN 기반 공격은 그 성능에 얼마나 심각하게 영향을 미치는가?
• RQ5 GAN이 생성한 위조 신호는 물리계층 인증에 의존하는 무선 통신 시스템의 보안에 어떤 함의를 지닌다?

주요 결과

• GAN 기반 위조 공격은 딥러닝 기반 RF 지문 분류기를 76.2%의 성공률로 오인식시키며, 이는 랜덤 공격(7.89%)과 재생 공격(36.2%)보다 뚜렷하게 높다.
• 공격자 송신기가 원래 훈련 위치에서 떨어져도 GAN 기반 공격의 성공률는 여전히 높게 유지되며, 15미터 떨어진 거리에서 61.0%로만 감소한다.
• 이동 조건에서의 성능 저하는 채널 특성 변화로 인해 예상되지만, 전통적인 재생 방식보다 공격가 훨씬 효과적이다.
• 랜덤 및 재생된 신호를 정확히 구분할 수 있었던 딥러닝 기반 분류기 역시 GAN이 생성한 신호를 탐지하지 못하며, 현재 방어 기법에 심각한 취약성이 있음을 시사한다.
• 결과적으로 GAN은 실제 세계의 복잡한 신호 특성을 효과적으로 재현할 수 있으며, 이는 매우 효과적인 위조 공격를 가능하게 한다.