[论文解读] Secure Mobile Crowdsensing with Deep Learning

Liang Xiao, Donghua Jiang+2 more|arXiv (Cornell University)|Jan 23, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 12被引用 6

一句话总结

本文提出一种基于深度学习（DL）的框架，以增强移动众包感知（MCS）系统的安全性，利用堆叠自编码器（SAE）、深度神经网络（DNN）和卷积神经网络（CNN）实现认证、隐私保护、虚假感知检测、入侵检测及抗干扰通信。该方法通过使用深度Q网络（DQN）实现动态抗干扰，实现更快的收敛速度（学习时间减少66.7%）和更高的信号干扰加噪声比（SINR），在准确性和效率方面优于传统方案。

ABSTRACT

In order to stimulate secure sensing for Internet of Things (IoT) applications such as healthcare and traffic monitoring, mobile crowdsensing (MCS) systems have to address security threats, such as jamming, spoofing and faked sensing attacks, during both the sensing and the information exchange processes in large-scale dynamic and heterogenous networks. In this article, we investigate secure mobile crowdsensing and present how to use deep learning (DL) methods such as stacked autoencoder (SAE), deep neural network (DNN), and convolutional neural network (CNN) to improve the MCS security approaches including authentication, privacy protection, faked sensing countermeasures, intrusion detection and anti-jamming transmissions in MCS. We discuss the performance gain of these DL-based approaches compared with traditional security schemes and identify the challenges that need to be addressed to implement them in practical MCS systems.

研究动机与目标

• 为应对动态异构物联网网络中移动众包感知（MCS）系统面临的关键安全威胁，包括虚假感知、欺骗攻击、干扰及内部人员攻击。
• 通过堆叠自编码器（SAE）、深度神经网络（DNN）、卷积神经网络（CNN）和深度Q网络（DQN）等深度学习技术提升MCS安全性，超越传统确定性安全方案。
• 评估深度学习方法在实时MCS应用中的性能提升，重点关注认证、隐私保护、入侵检测及抗干扰能力。
• 识别实际MCS系统中实施的挑战，包括实时处理、效用评估准确性及备用安全协议。

提出的方法

• 采用堆叠自编码器（SAE）进行特征提取与降维，以提升认证与隐私保护能力。
• 利用深度神经网络（DNN）与卷积神经网络（CNN）实现高精度的恶意软件检测与感知数据分类。
• 通过经验回放与目标网络实现深度Q网络（DQN），在动态无线电环境中实现自适应抗干扰通信。
• 应用基于CNN的状态空间压缩技术，加速学习过程并优化抗干扰传输中的跳频策略。
• 结合迁移学习与分布式深度学习，缩短训练时间，并实现在资源受限移动设备上的部署。
• 采用兼顾感知精度、计算成本与防护成本的效用函数，指导基于DQN的虚假感知应对措施。

实验结果

研究问题

• RQ1 深度学习如何提升移动众包感知系统中认证与隐私保护的准确率与效率？
• RQ2 基于深度学习的入侵检测与恶意软件检测在MCS中相较于传统确定性方案能提升多少性能？
• RQ3 在动态MCS环境中，基于DQN的抗干扰通信是否能实现比经典Q-learning更快的收敛速度与更高的SINR？
• RQ4 如何在实时环境中准确评估效用函数，以指导存在内部攻击者与隐蔽攻击者情况下的安全决策？
• RQ5 在基于深度学习的MCS安全系统初始训练与部署阶段，需要哪些备用安全机制以确保系统可靠性？

主要发现

• 基于DQN的抗干扰通信系统在1,000个时隙后收敛至最优性能，相比Q-learning学习时间减少66.7%。
• 在1,000个时隙后，基于DQN的系统相比Q-learning实现8.3%更高的信号干扰加噪声比（SINR），提升了传输可靠性。
• 基于DNN与CNN的深度学习方案在恶意软件检测与虚假感知应对方面优于传统方法，降低了攻击成功率。
• 使用CNN进行状态空间压缩可加速学习速度，并在大规模异构MCS网络中增强特征提取能力。
• 分布式深度学习与优化超参数（如小批量大小）对在资源受限移动设备上实现实时部署至关重要。
• 本研究识别出由于基于深度学习系统的初始训练失败风险较高，可能导致全网安全漏洞，因此需要备用安全协议。