[论文解读] Generative Adversarial Network for Wireless Signal Spoofing

Yi Shi, Kemal Davaslıoğlu+1 more|arXiv (Cornell University)|May 3, 2019

Wireless Signal Modulation Classification参考文献 27被引用 10

一句话总结

本文提出了一种基于生成对抗网络（GAN）的无线信号欺骗攻击，其中攻击者对的发射机与接收机联合训练一个 GAN，以生成与合法信号无法区分的合成信号。GAN 的生成器学习生成能够欺骗基于深度学习的射频指纹分类器的信号，实现了 76.2% 的欺骗成功率，显著优于随机攻击（7.89%）和重放攻击（36.2%），表明深度学习防御机制在对抗性信号生成面前存在严重漏洞。

ABSTRACT

The paper presents a novel approach of spoofing wireless signals by using a general adversarial network (GAN) to generate and transmit synthetic signals that cannot be reliably distinguished from intended signals. It is of paramount importance to authenticate wireless signals at the PHY layer before they proceed through the receiver chain. For that purpose, various waveform, channel, and radio hardware features that are inherent to original wireless signals need to be captured. In the meantime, adversaries become sophisticated with the cognitive radio capability to record, analyze, and manipulate signals before spoofing. Building upon deep learning techniques, this paper introduces a spoofing attack by an adversary pair of a transmitter and a receiver that assume the generator and discriminator roles in the GAN and play a minimax game to generate the best spoofing signals that aim to fool the best trained defense mechanism. The output of this approach is two-fold. From the attacker point of view, a deep learning-based spoofing mechanism is trained to potentially fool a defense mechanism such as RF fingerprinting. From the defender point of view, a deep learning-based defense mechanism is trained against potential spoofing attacks when an adversary pair of a transmitter and a receiver cooperates. The probability that the spoofing signal is misclassified as the intended signal is measured for random signal, replay, and GAN-based spoofing attacks. Results show that the GAN-based spoofing attack provides a major increase in the success probability of wireless signal spoofing even when a deep learning classifier is used as the defense.

研究动机与目标

• 开发一种新颖的欺骗攻击，利用深度学习生成与合法传输无法区分的无线信号。
• 研究 GAN 在模拟真实无线信号的综合波形、信道和硬件特定特征方面的有效性。
• 评估基于 GAN 的欺骗攻击在针对训练用于射频指纹识别的深度学习防御机制时的成功率。
• 分析在攻击者发射机在训练后移动到新位置的移动性条件下，该攻击的鲁棒性。
• 强调在无线通信中应对 GAN 驱动的对抗性欺骗攻击，亟需新型防御机制。

提出的方法

• 在攻击者发射机（生成器）与接收机（判别器）之间进行最小最大博弈训练 GAN，其中生成器学习生成与合法信号统计特性匹配的合成信号。
• 生成器与判别器各自包含三个全连接隐藏层，每层 128 个神经元，使用标准 GAN 目标函数进行训练，以最小化判别器区分真实信号与生成信号的能力。
• 训练过程采用损失函数，通过优化生成器目标函数（即判别器将生成样本分类为假的概率的对数）来缓解梯度消失问题。
• GAN 在从合法发射机采集的频谱感知数据上进行训练，捕获其独特的波形、信道和硬件效应。
• 收敛后，训练好的生成器生成合成信号，并通过无线信道传输，接收端使用预训练的深度学习分类器进行评估。
• 通过分类器将合成信号错误分类为源自合法发射机的概率来衡量攻击的成功率。

实验结果

研究问题

• RQ1 GAN 是否能够有效训练以生成模仿合法发射机综合波形、信道和硬件特性的无线信号？
• RQ2 当在基于深度学习的射频指纹分类器上评估时，基于 GAN 的欺骗攻击成功率与随机信号攻击和重放攻击相比如何？
• RQ3 在攻击者发射机在训练后移动到新位置的情况下，基于 GAN 的欺骗攻击的鲁棒性如何？
• RQ4 基于 GAN 的攻击在多大程度上会降低为检测欺骗而设计的基于深度学习的防御机制的性能？
• RQ5 GAN 生成的欺骗攻击对依赖物理层认证的无线通信系统安全性有何影响？

主要发现

• 基于 GAN 的欺骗攻击在欺骗基于深度学习的射频指纹分类器方面实现了 76.2% 的成功率，显著优于随机信号（7.89%）和重放攻击（36.2%）。
• 即使攻击者发射机从原始训练位置移动，基于 GAN 的攻击成功率仍保持较高水平，移动 15 米后仅下降至 61.0%。
• 由于信道特性变化，性能下降在预期之中，但该攻击仍显著优于传统重放方法。
• 尽管深度学习分类器能够成功区分随机信号和重放信号，却无法检测由 GAN 生成的信号，表明当前防御机制存在关键漏洞。
• 结果表明，GAN 能够有效合成复制复杂真实世界信号特征的信号，从而实现高度有效的欺骗攻击。