[论文解读] Generative Adversarial Network in the Air: Deep Adversarial Learning for Wireless Signal Spoofing

Yi Shi, Kemal Davaslıoğlu+1 more|arXiv (Cornell University)|Jul 16, 2020

Wireless Signal Modulation Classification参考文献 49被引用 6

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，通过联合建模波形、信道和硬件损伤，生成与合法传输无法区分的合成信号。攻击者在空中通过发射机（生成器）与接收机（判别器）之间的极小化-极大化博弈实现攻击，在SISO和MIMO系统中均实现了高成功率欺骗，且在嵌入式GPU和FPGA平台上展示了低延迟部署能力。

ABSTRACT

The spoofing attack is critical to bypass physical-layer signal authentication. This paper presents a deep learning-based spoofing attack to generate synthetic wireless signals that cannot be statistically distinguished from intended transmissions. The adversary is modeled as a pair of a transmitter and a receiver that build the generator and discriminator of the generative adversarial network, respectively, by playing a minimax game over the air. The adversary transmitter trains a deep neural network to generate the best spoofing signals and fool the best defense trained as another deep neural network at the adversary receiver. Each node (defender or adversary) may have multiple transmitter or receiver antennas. Signals are spoofed by jointly capturing waveform, channel, and radio hardware effects that are inherent to wireless signals under attack. Compared with spoofing attacks using random or replayed signals, the proposed attack increases the probability of misclassifying spoofing signals as intended signals for different network topology and mobility patterns. The adversary transmitter can increase the spoofing attack success by using multiple antennas, while the attack success decreases when the defender receiver uses multiple antennas. For practical deployment, the attack implementation on embedded platforms demonstrates the low latency of generating or classifying spoofing signals.

研究动机与目标

• 开发一种实用的、基于深度学习的欺骗攻击方法，以绕过依赖机器学习分类器的物理层信号认证系统。
• 解决传统欺骗方法（如随机或重放信号）的局限性，这些方法无法准确复现多径衰落和硬件损伤等复杂信号特征。
• 设计一种在空中训练的GAN框架，其中攻击者同时充当生成器和判别器，实现实时适应动态网络条件的欺骗行为。
• 评估该攻击在不同网络拓扑、移动模式及多天线配置（SISO/MIMO）下的鲁棒性。
• 通过在嵌入式GPU和FPGA平台上的低延迟实现，证明其在现实世界中的可行性，支持实际部署。

提出的方法

• 攻击者采用生成对抗网络（GAN），其中发射机作为生成器，接收机作为判别器，通过空中进行极小化-极大化博弈训练。
• 攻击者发射机中的生成器网络学习合成无线信号，使其在统计特性上与合法信号一致，包括波形、多径衰落以及射频硬件失真。
• 攻击者接收机中的判别器被训练以区分来自目标发射机的真实信号与生成器合成的信号，从而形成闭环对抗训练过程。
• 该系统支持单天线（SISO）和多天线（MIMO）配置，信号维度随每个节点的天线数量线性增长。
• 使用TensorRT将训练好的GAN模型部署在嵌入式GPU上，使用Vivado部署在FPGA上，并采用FP16量化以减少内存占用和延迟。
• 在GPU和FPGA平台上测量推理延迟，并通过模型融合与内存优化提升资源受限硬件上的性能。

实验结果

研究问题

• RQ1 基于GAN的方法能否在真实物理层条件下生成在统计上与合法信号无法区分的无线信号？
• RQ2 欺骗成功率如何随网络拓扑、移动性以及攻击者和防御者端的多天线配置而变化？
• RQ3 在GPU和FPGA等嵌入式平台部署基于GAN的欺骗系统时，性能开销（延迟）是多少？
• RQ4 与基线欺骗方法（如随机或重放信号）相比，基于GAN的攻击在绕过基于深度学习的信号分类器方面表现如何？
• RQ5 攻击者发射端使用多根天线在多大程度上能提升欺骗成功率？防御者使用多根天线又如何影响这一效果？

主要发现

• 基于GAN的欺骗攻击在绕过基于深度学习的分类器方面显著优于随机或重放信号攻击，原因在于其对波形、信道和硬件效应的精确建模。
• 当攻击者在发射端使用多根天线时，欺骗成功率提高，表明空间分集在信号合成中具有优势。
• 防御者使用多根天线会降低欺骗成功率，表明接收端的MIMO分集能力可增强检测性能。
• 在嵌入式GPU上，分类器和生成器的平均推理延迟在0.088 ms至0.758 ms之间，具体取决于天线数量，模型越大延迟越高。
• 在FPGA上，推理延迟显著更低，范围为5.72 μs至21.04 μs，相比嵌入式GPU最高可实现36倍加速，且具备充足的时序余量以保证可靠运行。
• 在GPU和FPGA平台上的实现结果证实了实时部署的可行性，处理时间远低于典型IEEE 802.11ac帧时长（5.484 ms）。