[论文解读] Adversarial Machine Learning for 5G Communications Security

Yalin E. Sagduyu, Tugba Erpek+1 more|arXiv (Cornell University)|Jan 7, 2021

Adversarial Robustness in Machine Learning参考文献 68被引用 11

一句话总结

本文研究了针对5G通信系统的对抗性机器学习攻击，重点关注CBRS频段中的频谱共享以及通过生成对抗性网络（GAN）生成的欺骗信号实现物理层认证。提出了一种防御机制，通过在认证过程中引入受控错误来干扰对手模型的训练，仅以2%的防御概率，便将欺骗攻击的成功率从90%降低至61.8%。

ABSTRACT

Machine learning provides automated means to capture complex dynamics of wireless spectrum and support better understanding of spectrum resources and their efficient utilization. As communication systems become smarter with cognitive radio capabilities empowered by machine learning to perform critical tasks such as spectrum awareness and spectrum sharing, they also become susceptible to new vulnerabilities due to the attacks that target the machine learning applications. This paper identifies the emerging attack surface of adversarial machine learning and corresponding attacks launched against wireless communications in the context of 5G systems. The focus is on attacks against (i) spectrum sharing of 5G communications with incumbent users such as in the Citizens Broadband Radio Service (CBRS) band and (ii) physical layer authentication of 5G User Equipment (UE) to support network slicing. For the first attack, the adversary transmits during data transmission or spectrum sensing periods to manipulate the signal-level inputs to the deep learning classifier that is deployed at the Environmental Sensing Capability (ESC) to support the 5G system. For the second attack, the adversary spoofs wireless signals with the generative adversarial network (GAN) to infiltrate the physical layer authentication mechanism based on a deep learning classifier that is deployed at the 5G base station. Results indicate major vulnerabilities of 5G systems to adversarial machine learning. To sustain the 5G system operations in the presence of adversaries, a defense mechanism is presented to increase the uncertainty of the adversary in training the surrogate model used for launching its subsequent attacks.

研究动机与目标

• 识别并分析针对5G通信系统的新兴对抗性机器学习威胁，尤其关注频谱共享和物理层认证。
• 展示攻击者如何通过干扰频谱感知或利用生成对抗网络（GAN）欺骗用户设备信号来利用5G中的深度学习模型。
• 开发一种轻量级防御机制，通过在gNodeB处有选择地引入错误，以降低攻击者训练有效替代模型的能力。
• 量化在对抗性5G环境中防御有效性与系统性能退化之间的权衡。

提出的方法

• 利用生成对抗网络（GAN）合成模仿真实用户设备（UE）波形（包括信道和硬件效应）的5G信号，以绕过gNodeB处基于深度学习的认证机制。
• 设计一种干扰攻击，通过操纵环境感知能力（ESC）系统中深度学习分类器的信号级输入，破坏CBRS频段中的频谱共享。
• 提出一种防御策略，即5G gNodeB有意识地拒绝一小部分（例如1%–5%）合法UE的认证请求，以增加攻击者在训练替代模型时的不确定性。
• 选择高置信度的认证样本进行拒绝，以最大程度增加攻击者模型的混淆，从而最小化所需防御动作的数量。
• 采用概率性防御模型，其中防御动作比例（Pd）被优化，以在保持低误报率的同时降低攻击成功概率。
• 在不同信噪比（SNR）条件下评估攻击与防御性能，表明该防御在各种信道条件下均具有鲁棒性。

实验结果

研究问题

• RQ1 如何利用对抗性机器学习通过干扰基于深度学习的频谱感知，在CBRS频段中破坏5G频谱共享？
• RQ2 在不同SNR条件下，GAN生成的欺骗信号在多大程度上能够绕过5G网络中基于深度学习的物理层认证？
• RQ3 在gNodeB处引入受控错误对攻击者训练有效替代模型的能力有何影响？
• RQ4 防御动作比例（Pd）如何影响降低攻击成功概率与合法用户访问退化之间的权衡？

主要发现

• 在-3 dB SNR条件下，欺骗攻击的成功率达到90.0%，表明其在绕过基于深度学习的5G用户认证方面具有高度有效性。
• 当防御概率Pd = 0.01时，攻击成功率下降至68.2%，表明以极低性能代价显著提升了系统韧性。
• 将Pd提高至0.05可使攻击成功率进一步降低至59.4%，而继续提高至0.1或0.2仅带来微小改善，表明效果趋于收敛。
• 该防御机制成功增加了攻击者替代模型训练中的不确定性，同时未显著增加对合法用户的误报率。
• 通过干扰实现的频谱共享攻击在破坏数据和感知周期方面有效，降低了5G吞吐量，且留下的可检测痕迹极少。
• 所提出的防御机制不仅适用于欺骗攻击，还可通过在传输决策中引入受控错误，适用于频谱共享攻击。