[논문 리뷰] Generative Adversarial Network in the Air: Deep Adversarial Learning for Wireless Signal Spoofing

Yi Shi, Kemal Davaslıoğlu외 1명|arXiv (Cornell University)|2020. 07. 16.

Wireless Signal Modulation Classification참고 문헌 49인용 수 6

한 줄 요약

이 논문은 파형, 채널, 하드웨어 손상 요소를 종합적으로 모델링하여 진짜 전송과 구분되지 않는 합성 신호를 생성하는 GAN 기반 무선 신호 위조 공격을 제안한다. 공격자는 무선 환경에서 송신기(생성기)와 수신기(판별기) 간의 최소최대 게임을 통해 SISO 및 MIMO 시스템 전반에서 높은 위조 성공률를 달성하며, 임베디드 GPU와 FPGA에서 저지연 구현이 가능함을 입증한다.

ABSTRACT

The spoofing attack is critical to bypass physical-layer signal authentication. This paper presents a deep learning-based spoofing attack to generate synthetic wireless signals that cannot be statistically distinguished from intended transmissions. The adversary is modeled as a pair of a transmitter and a receiver that build the generator and discriminator of the generative adversarial network, respectively, by playing a minimax game over the air. The adversary transmitter trains a deep neural network to generate the best spoofing signals and fool the best defense trained as another deep neural network at the adversary receiver. Each node (defender or adversary) may have multiple transmitter or receiver antennas. Signals are spoofed by jointly capturing waveform, channel, and radio hardware effects that are inherent to wireless signals under attack. Compared with spoofing attacks using random or replayed signals, the proposed attack increases the probability of misclassifying spoofing signals as intended signals for different network topology and mobility patterns. The adversary transmitter can increase the spoofing attack success by using multiple antennas, while the attack success decreases when the defender receiver uses multiple antennas. For practical deployment, the attack implementation on embedded platforms demonstrates the low latency of generating or classifying spoofing signals.

연구 동기 및 목표

• 기계학습 기반 분류기 의존 물리계층 신호 인증 시스템을 회피할 수 있는 실용적인 딥러닝 기반 위조 공격을 개발하기 위해.
• 기존의 위조 방법(예: 무작위 또는 재생된 신호)의 한계를 해결하기 위해, 채널 효과 및 하드웨어 손상 요소와 같은 복잡한 신호 특성을 재현하지 못하는 문제를 해결하기 위해.
• 공격자가 동시에 생성기와 판별기 역할을 하여 실시간으로 동적 네트워크 환경에 적응 가능한 위조 공격을 가능하게 하는 GAN 프레임워크를 설계하기 위해.
• 다양한 네트워크 구조, 이동성 패턴, 다중 안테나 구성(단일 안테나(SISO)/다중 안테나(MIMO)))에 대한 공격의 강건성 평가하기 위해.
• 실제 구현 가능성을 입증하기 위해 임베디드 GPU 및 FPGA 플랫폼에 저지연 구현을 통해 실전 적용 가능성을 입증하기 위해.

제안 방법

• 공격자는 송신기가 생성기, 수신기가 판별기로 작동하는 생성적 적대적 네트워크(GAN)를 활용하며, 무선 환경에서 최소최대 게임을 통해 훈련한다.
• 공격자 송신기의 생성기 네트워크는 파형, 다중 경로 fading, 무선 하드웨어 왜곡 등의 통계적 특성을 모방할 수 있도록 무선 신호를 합성하는 법을 학습한다.
• 공격자 수신기의 판별기는 실제 목적지 송신기의 신호와 생성기에서 생성된 합성 신호를 구분하도록 훈련되며, 이는 폐쇄형 적대적 훈련 과정을 형성한다.
• 시스템은 단일 안테나(SISO) 및 다중 안테나(MIMO) 구성 모두를 지원하며, 각 노드의 안테나 수에 따라 신호 차원이 선형적으로 증가한다.
• 훈련된 GAN 모델은 TensorRT를 사용한 GPU 및 Vivado를 사용한 FPGA에 배포되며, 메모리 및 지연 감소를 위해 FP16 정밀도로 정량화된다.
• GPU 및 FPGA 플랫폼에서 추론 지연 시간을 측정하였으며, 자원 제약이 있는 하드웨어에서 성능 향상을 위해 모델 융합 및 메모리 최적화가 수행되었다.

실험 결과

연구 질문

• RQ1 실제 물리계층 조건 하에서 GAN 기반 접근법이 진짜 신호와 통계적으로 구분되지 않는 무선 신호를 생성할 수 있는가?
• RQ2 공격자 및 수신자의 네트워크 구조, 이동성, 다중 안테나 구성에 따라 위조 성공률는 어떻게 변하는가?
• RQ3 GPU 및 FPGA와 같은 임베디드 플랫폼에 GAN 기반 위조 시스템을 구현할 경우 성능 오버헤드(지연)는 어느 정도인가?
• RQ4 딥러닝 기반 신호 분류기를 회피하는 데 있어 GAN 기반 공격가 기존의 기본 위조 방법(무작위 또는 재생된 신호)에 비해 얼마나 우수한가?
• RQ5 공격자 송신기에서 다중 안테나를 사용할 경우 위조 성공률는 얼마나 향상되며, 수신자 측 다중 안테나 사용은 이에 어떤 영향을 미치는가?

주요 결과

• 파형, 채널, 하드웨어 영향을 정확히 모델링함으로써 GAN 기반 위조 공격는 무작위 또는 재생된 신호 공격에 비해 딥러닝 기반 분류기를 더욱 효과적으로 속이는 데 뛰어난 성능을 보였다.
• 공격자가 송신기에서 다중 안테나를 사용할 경우 위조 성공률가 증가하였으며, 이는 신호 합성에서 공간 다양성의 이점이 있음을 시사한다.
• 수신자 측 다중 안테나 사용은 위조 성공률를 감소시켰으며, 이는 MIMO 다양성이 탐지 능력을 향상시킴을 나타낸다.
• 임베디드 GPU에서는 분류기 및 생성기의 평균 추론 지연 시간이 안테나 수에 따라 0.088 ms에서 0.758 ms 사이로 변동하며, 모델 크기가 클수록 지연이 증가한다.
• FPGA에서는 추론 지연 시간이 상당히 낮아 5.72 μs에서 21.04 μs 사이로 측정되었으며, 임베디드 GPU 대비 최대 36배의 속도 향상을 달성하였고, 신뢰성 있는 운영을 위한 충분한 타이밍 마진을 확보하였다.
• GPU 및 FPGA 플랫폼 모두에 대한 구현은 실시간 배포의 가능성을 확인하였으며, 처리 시간이 일반적인 IEEE 802.11ac 프레임 지속시간(5.484 ms) 이하로 잘 유지되었다.