[论文解读] Adversarial Attack on DL-based Massive MIMO CSI Feedback

Qing Liu, Jiajia Guo+2 more|arXiv (Cornell University)|Feb 23, 2020

Wireless Signal Modulation Classification参考文献 11被引用 7

一句话总结

本文研究了大规模MIMO系统中基于深度学习的信道状态信息（CSI）反馈的对抗性攻击，特别针对CsiNet——一种用于压缩和重构信道状态信息的神经网络。本文提出一种白盒对抗性攻击，显著降低了重建精度，表明即使在低功率扰动下，模型在噪声环境中训练后仍可能被彻底破坏，凸显了基于深度学习的物理层设计中存在严重的安全漏洞。

ABSTRACT

With the increasing application of deep learning (DL) algorithms in wireless communications, the physical layer faces new challenges caused by adversarial attack. Such attack has significantly affected the neural network in computer vision. We chose DL-based analog channel state information (CSI) to show the effect of adversarial attack on DL-based communication system. We present a practical method to craft white-box adversarial attack on DL-based CSI feedback process. Our simulation results showed the destructive effect adversarial attack caused on DL-based CSI feedback by analyzing the performance of normalized mean square error. We also launched a jamming attack for comparison and found that the jamming attack could be prevented with certain precautions. As DL algorithm becomes the trend in developing wireless communication, this work raises concerns regarding the security in the use of DL-based algorithms.

研究动机与目标

• 研究基于深度学习的CSI反馈系统，特别是CsiNet，在大规模MIMO系统中对对抗性攻击的脆弱性。
• 比较对抗性攻击与传统干扰攻击对CSI反馈性能的影响。
• 评估在加性白高斯噪声（AWGN）环境中训练是否能提高对对抗性扰动的鲁棒性。
• 分析压缩率和信道环境（室内与室外）对CsiNet对抗性鲁棒性的影响。

提出的方法

• 基于快速梯度符号法（FGSM）设计了一种白盒对抗性攻击，针对CSI反馈中的重建任务进行适配。
• 该攻击在输入CSI矩阵上生成小幅度、有针对性的扰动，以最大化接收端的归一化均方误差（NMSE）。
• 在信噪比（SNR）为10 dB和20 dB的AWGN信道中对CsiNet进行再训练，以评估其对高斯噪声和对抗性攻击的鲁棒性。
• 在不同压缩率（1/4、1/16、1/32）和信道环境（室内与室外）下开展实验，以评估鲁棒性。
• 通过在对抗性攻击和干扰攻击下，重建CSI矩阵与原始CSI矩阵之间的NMSE来评估性能。
• 通过调节信号-扰动比（ISR）将该攻击与干扰攻击进行对比，结果在多种SNR和环境条件下进行分析。

实验结果

研究问题

• RQ1 与传统干扰攻击相比，白盒对抗性攻击在降低基于深度学习的CSI反馈系统（如CsiNet）性能方面的有效性如何？
• RQ2 在AWGN环境中训练CsiNet是否能提高其对对抗性扰动的鲁棒性？
• RQ3 CsiNet中更低的压缩率是否能增强其对对抗性攻击的抗性？
• RQ4 无线环境的复杂性（室内与室外CSI）如何影响对抗性攻击在CsiNet上的成功率？

主要发现

• 对抗性攻击导致的NMSE退化远高于干扰攻击，在ISR为-30 dB时，20 dB SNR下NMSE增加了14.03 dB。
• 即使在AWGN环境中训练后，CsiNet对对抗性攻击仍高度脆弱，对抗性扰动下NMSE在10 dB和20 dB SNR下分别增加了8.94 dB和14.03 dB。
• CsiNet在较低压缩率（如1/32）下表现出更好的对抗性攻击鲁棒性，攻击下更快收敛至基线NMSE水平。
• 在室外CSI上训练的模型比在室内CSI上训练的模型受对抗性攻击影响更严重，表明复杂传播环境中漏洞更高。
• 在低ISR值下，干扰攻击效果较差，但对抗性攻击即使在低扰动功率下仍保持高度破坏性。
• 本研究证实，对抗性攻击比传统干扰更具持续性和危险性，尤其在真实世界复杂信道条件下。