[论文解读] How to Make 5G Communications "Invisible": Adversarial Machine Learning for Wireless Privacy

Brian Kim, Yalin E. Sagduyu+3 more|arXiv (Cornell University)|May 15, 2020

Wireless Communication Security Techniques参考文献 23被引用 11

一句话总结

本文提出了一种协作式干扰器（CJ），利用对抗性机器学习技术，使5G及其他调制信号对使用深度学习分类器的窃听者不可检测。通过使用快速梯度法（FGM）生成精确且低功率的扰动，CJ使窃听者将传输信号误判为噪声，从而在对合法接收机误码率（BER）影响最小的情况下实现高隐蔽性，优于传统的高斯噪声干扰。

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.

研究动机与目标

• 解决利用深度学习分类器检测隐蔽无线传输的挑战。
• 设计一种协作式干扰器（CJ），生成对抗性扰动，使合法信号被误分类为噪声，确保隐蔽通信。
• 将干扰对合法接收机误码率（BER）的影响最小化，维持可靠通信。
• 证明对抗性扰动在隐藏5G物理层信号方面优于传统高斯噪声干扰。
• 评估不同调制类型和5G波形下隐蔽性与可靠性之间的权衡。

提出的方法

• 协作式干扰器（CJ）使用快速梯度法（FGM）生成对抗性扰动，以最大化窃听者深度学习分类器将信号误判为噪声的概率。
• 在功率约束下优化扰动，以限制对合法接收机的干扰，确保误码率（BER）最小化。
• 系统建模了发射机、接收机、窃听者和CJ之间的路径损耗与信号传播效应，其中距离 $d_{cr}$ 和 $d_{ce}$ 分别用于建模CJ对接收机和窃听者的影响。
• CJ的扰动设计旨在最小化扰动功率，同时满足窃听者以高概率将信号误判为噪声的条件。
• 该方法在QPSK、16QAM以及完整的5G上行链路信号（UL-SCH、OFDM、LDPC编码、QPSK调制）上进行评估，使用MATLAB 5G工具箱生成真实波形。
• 性能与基于高斯噪声的干扰进行对比，评估指标包括隐蔽性（误分类率）和接收机的误码率（BER）。

实验结果

研究问题

• RQ1 能否利用对抗性机器学习使5G信号对基于深度学习的窃听者分类器不可检测？
• RQ2 在隐蔽性和误码率（BER）方面，对抗性扰动与传统高斯噪声干扰相比表现如何？
• RQ3 协作式干扰器扰动的最优功率水平是什么，以在隐蔽性与接收机可靠性之间取得平衡？
• RQ4 协作式干扰器的位置如何影响对抗性干扰的成功率和误码率性能？
• RQ5 对抗性扰动能否有效隐藏复杂5G物理层波形，同时保持通信可靠性？

主要发现

• 在信噪比（SNR）为3 dB、干扰功率噪声比（PNR）为-8 dB时，对抗性扰动方法在使窃听者深度学习分类器误判方面取得了65%的成功率，显著优于高斯噪声干扰。
• 对于QPSK调制信号，随着PNR增加，对抗性扰动与高斯噪声扰动之间的BER差距减小，且在高PNR区域，对抗性扰动的BER更低。
• 当 $d_{ce} = 0.5$ 且 $d_{cr} = 1.5$ 时，对抗性扰动产生的BER低于高斯噪声，表明当CJ更靠近窃听者时，对接收机的干扰更小。
• 对于5G信号，对抗性干扰器的隐蔽性优于基于高斯噪声的干扰，尤其在高PNR区域，证明其在复杂波形上的有效性。
• 在SNR = 5 dB且 $d_{ce} = d_{cr} = 1$ 时，5G信号在对抗性干扰下的BER性能保持稳定，而基于高斯噪声的方法产生的BER高于对抗性方法。
• 当PNR超过某一阈值后，BER性能出现饱和，表明存在最优扰动功率以平衡隐蔽性与可靠性。