[논문 리뷰] How to Make 5G Communications "Invisible": Adversarial Machine Learning for Wireless Privacy

Brian Kim, Yalin E. Sagduyu외 3명|arXiv (Cornell University)|2020. 05. 15.

Wireless Communication Security Techniques참고 문헌 23인용 수 11

한 줄 요약

이 논문은 5G 및 기타 변조 신호가 딥러닝 분류기를 사용하는 스파이에 의해 탐지되지 않도록 하기 위해 적대적 기계학습을 활용하는 협업 잡서(CJ)를 제안한다. 빠른 기울기 방법(Fast Gradient Method, FGM)을 통해 정밀하고 저전력의 변형을 생성함으로써 CJ는 스파이를 오도하여 전송된 신호를 잡음으로 분류하도록 유도하며, 수신기의 비트 오류율(BER)에 미치는 영향을 최소화하면서도 높은 은밀성을 달성한다. 이는 전통적인 가우시안 잡음 잡서보다 뛰어난 성능을 발휘한다.

ABSTRACT

We consider the problem of hiding wireless communications from an eavesdropper that employs a deep learning (DL) classifier to detect whether any transmission of interest is present or not. There exists one transmitter that transmits to its receiver in the presence of an eavesdropper, while a cooperative jammer (CJ) transmits carefully crafted adversarial perturbations over the air to fool the eavesdropper into classifying the received superposition of signals as noise. The CJ puts an upper bound on the strength of perturbation signal to limit its impact on the bit error rate (BER) at the receiver. We show that this adversarial perturbation causes the eavesdropper to misclassify the received signals as noise with high probability while increasing the BER only slightly. On the other hand, the CJ cannot fool the eavesdropper by simply transmitting Gaussian noise as in conventional jamming and instead needs to craft perturbation signals built by adversarial machine learning to enable covert communications. Our results show that signals with different modulation types and eventually 5G communications can be effectively hidden from an eavesdropper even if it is equipped with a DL classifier to detect transmissions.

연구 동기 및 목표

• 딥러닝 분류기를 사용하는 스파이에 의한 은밀한 무선 전송 탐지 문제를 해결하기 위해.
• 정상 신호를 잡음으로 잘못 분류하도록 하는 적대적 변형을 생성하는 협업 잡서(CJ)를 설계하기 위해.
• 수신기의 비트 오류율(BER)에 미치는 간섭 영향을 최소화하여 신뢰성 있는 통신을 유지하기 위해.
• 기존의 가우시안 잡음 잡서와 비교하여 적대적 변형이 5G 물리계층 신호를 은밀하게 숨기는 데 얼마나 효과적인지 입증하기 위해.
• 다양한 변조 방식과 5G 웨이브폼에서 은밀성과 신뢰성 간의 상호 교환 관계를 평가하기 위해.

제안 방법

• 협업 잡서(CJ)는 빠른 기울기 방법(Fast Gradient Method, FGM)을 사용하여 스파이의 딥러닝 분류기가 신호를 잡음으로 잘못 분류하도록 최대한의 오분류를 유도하는 적대적 변형을 생성한다.
• 전력 제약 조건 하에서 변형을 최적화하여 정상 수신기에서의 간섭을 제한하고, 비트 오류율(BER)에 미치는 영향을 최소화한다.
• 송신기, 수신기, 스파이, CJ 간의 경로 손실 및 신호 전파 효과를 시스템 모델링하며, 거리 $d_{cr}$ 과 $d_{ce}$ 는 각각 CJ가 수신기와 스파이에 미치는 영향을 모델링하는 데 사용된다.
• CJ의 변형은 스파이가 신호를 잡음으로 잘못 분류할 확률이 높아지도록 하되, 변형 전력은 최소화하도록 설계된다.
• MATLAB 5G 툴박스를 사용하여 QPSK, 16QAM, 전체 5G 업링크 신호(UL-SCH, OFDM, LDPC 코딩, QPSK 변조)를 현실적인 웨이브폼 생성을 위해 평가한다.
• 성능은 가우시안 잡음 기반 잡서와 비교되며, 은밀성(오분류율)과 수신기에서의 BER을 주요 지표로 사용한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 스파이 분류기로부터 5G 신호를 탐지 불가능하게 만들기 위해 적대적 기계학습을 사용할 수 있는가?
• RQ2 은밀성과 BER 측면에서 적대적 변형의 성능은 기존의 가우시안 잡음 잡서와 비교해 어떻게 다른가?
• RQ3 은밀성과 수신기 신뢰성 간의 균형을 고려할 때, 협업 잡서의 변형에 적합한 최적의 전력 수준은 무엇인가?
• RQ4 협업 잡서의 위치가 적대적 잡서 성공률과 BER 성능에 어떤 영향을 미치는가?
• RQ5 복잡한 5G 물리계층 웨이브폼을 딥러닝 분류기로부터 효과적으로 은폐하면서도 통신 신뢰성을 유지할 수 있는가?

주요 결과

• 적대적 변형 방법은 신호 대 잡음비(PNR)가 -8 dB이고 신호 대 잡음비(SNR)가 3 dB일 때 스파이의 딥러닝 분류기를 65% 성공률로 오도시켰으며, 이는 가우시안 잡음 잡서보다 뚜렷한 우월성을 보였다.
• QPSK 변조 신호의 경우, PNR이 높아질수록 적대적 변형과 가우시안 잡음 기반 변형 간의 BER 격차가 감소하였고, 고 PNR 영역에서는 적대적 변형이 더 낮은 BER을 기록하였다.
• $d_{ce} = 0.5$ 이고 $d_{cr} = 1.5$ 일 때, 적대적 변형은 가우시안 잡음보다 낮은 BER을 기록하여 CJ가 스파이에 가까이 있을 경우 수신기에서의 간섭이 감소함을 시사했다.
• 5G 신호의 경우, 적대적 잡서는 가우시안 잡음 기반 잡서보다 더 높은 은밀성을 달성했으며, 특히 고 PNR 영역에서 복잡한 웨이브폼에 대한 효과성을 입증했다.
• 5G 신호의 경우, 적대적 잡서 하에서도 BER 성능이 안정을 유지하였으며, SNR = 5 dB 이고 $d_{ce} = d_{cr} = 1$ 일 때 가우시안 잡음 기반 방법보다 적대적 방법이 더 낮은 BER을 기록하였다.
• 일정 PNR 이상에서 BER 성능이 포화 상태에 도달함을 관찰하여, 은밀성과 신뢰성을 균형 잡는 최적의 변형 전력이 존재함을 시사했다.