[论文解读] Deep Learning for Launching and Mitigating Wireless Jamming Attacks

Tugba Erpek, Yalin E. Sagduyu+1 more|arXiv (Cornell University)|Jul 3, 2018

Wireless Communication Security Techniques参考文献 18被引用 13

一句话总结

本文提出了一种基于深度学习的对抗性干扰攻击，通过信道感知和ACK反馈预测并干扰认知无线电网络中的成功传输，显著降低发射机吞吐量。此外，提出了一种基于生成对抗网络（GAN）的数据增强技术，以加速干扰器训练，并设计了一种因果性防御策略，即发射机故意制造受控错误以误导干扰器的分类器，从而在性能损失最小的情况下提升系统鲁棒性。

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.

研究动机与目标

• 研究机器学习在认知无线电系统中的安全风险，特别是对抗性干扰攻击。
• 设计一种基于深度学习的干扰器，利用信道感知和ACK反馈预测成功传输。
• 通过生成对抗网络（GAN）生成合成训练数据，缩短干扰器的训练时间。
• 开发一种因果性防御机制，即发射机故意做出错误的频谱接入决策，以降低干扰器的预测准确性。
• 在距离和干扰条件变化的真实无线环境下，评估所提干扰与防御方案的有效性。

提出的方法

• 干扰器使用深度神经网络根据感知结果和ACK反馈对信道状态进行分类，预测发射机何时将成功发送数据包。
• 干扰器利用分类得分在平均功率约束下控制发射功率，以优化干扰效率。
• 训练生成对抗网络（GAN）以生成合成训练样本，减少干扰器分类器收集真实世界数据所需的时间。
• 发射机通过基于自身分类置信度得分，有意识地在少数时隙中选择不适当的频谱接入方式，实施因果性攻击。
• 防御策略动态调整这些错误行为的时间和频率，以最大程度扰乱干扰器模型，同时对发射机自身性能影响极小。
• 系统在包含一个发射机、一个接收机、一个干扰器和一个背景流量源的多节点场景中进行评估，性能通过吞吐量和成功率衡量。

实验结果

研究问题

• RQ1 与传统干扰方法相比，基于深度学习的干扰器在预测和干扰成功传输方面的有效性如何？
• RQ2 能否利用GAN通过生成合成训练数据来加速干扰器的训练过程？
• RQ3 发射机的因果性攻击——即有意识地做出错误的频谱接入决策——对干扰器预测准确率有何影响？
• RQ4 干扰器与接收机或背景发射机之间的距离如何影响干扰器的学习能力及发射机的性能？
• RQ5 在缺乏对干扰器模型或行为先验知识的情况下，发射机的防御策略是否具有自适应性和有效性？

主要发现

• 当干扰器靠近接收机时，所提出的基于深度学习的干扰攻击使发射机吞吐量最高降低18.2%，成功率降低22.75%，显著优于随机干扰和基于感知的干扰方法。
• 当干扰器距离接收机24.14单位时，发射机成功率下降至22.75%，表明干扰器距离对攻击效果有显著影响。
• 基于GAN的数据增强技术通过使用合成样本加速分类器训练，显著缩短了干扰器的学习时间，提升了部署效率。
• 当干扰器距离背景发射机24.14单位时，发射机成功率提升至69.75%，吞吐量达每时隙0.558个数据包，表明与背景源距离增加可提升发射机的抗干扰能力。
• 因果性防御策略——即在少量系统性时隙中故意做出错误接入决策——显著提高了干扰器的误分类率，大幅降低其攻击效果，且对发射机自身代价极小。
• 该防御机制即使在无干扰器模型先验知识的情况下仍具有自适应性和有效性，使发射机能够根据实时性能指标动态调整防御强度。