[论文解读] Jamming Attacks and Anti-Jamming Strategies in Wireless Networks: A Comprehensive Survey

Hossein Pirayesh, Huacheng Zeng|arXiv (Cornell University)|Jan 1, 2021

Security in Wireless Sensor Networks被引用 6

一句话总结

本文全面综述了Wi-Fi、蜂窝网络、LoRa、ZigBee、蓝牙和GPS等多样化无线网络中的干扰攻击与抗干扰策略。提出了一种结合MIMO、扩频技术和机器学习的跨层与跨域抗干扰技术，以增强物理层的抗干扰能力，识别出当前干扰抵抗无线系统中的关键研究空白与未来发展方向。

ABSTRACT

Wireless networks are a key component of the telecommunications infrastructure in our society, and wireless services become increasingly important as the applications of wireless devices have penetrated every aspect of our lives. Although wireless technologies have significantly advanced in the past decades, most wireless networks are still vulnerable to radio jamming attacks due to the openness nature of wireless channels, and the progress in the design of jamming-resistant wireless networking systems remains limited. This stagnation can be attributed to the lack of practical physical-layer wireless technologies that can efficiently decode data packets in the presence of jamming attacks. This article surveys existing jamming attacks and anti-jamming strategies in wireless local area networks (WLANs), cellular networks, cognitive radio networks (CRNs), ZigBee networks, Bluetooth networks, vehicular networks, LoRa networks, RFID networks, and GPS system, with the objective of offering a comprehensive knowledge landscape of existing jamming/anti-jamming strategies and stimulating more research efforts to secure wireless networks against jamming attacks. Different from prior survey papers, this article conducts a comprehensive, in-depth review on jamming and anti-jamming strategies, casting insights on the design of jamming-resilient wireless networking systems. An outlook on promising antijamming techniques is offered at the end of this article to delineate important research directions.

研究动机与目标

• 提供主要无线网络中现有干扰与抗干扰技术的全景知识图谱。
• 识别当前抗干扰机制的根本局限，特别是物理层实用解决方案的缺失。
• 通过分析漏洞与防御策略，激发对更具抗干扰能力的无线网络系统的研究。
• 强调跨层与跨域抗干扰设计的必要性，以整合物理层信号处理与MAC层及网络层协议。
• 探索基于机器学习的抗干扰技术在应对复杂、自适应干扰威胁方面的新兴机遇。

提出的方法

• 对8种无线网络类型（WLAN、蜂窝网络、认知无线电网络、ZigBee、蓝牙、车联网、LoRa、RFID和GPS）中的干扰攻击模型与抗干扰策略进行了深入回顾。
• 分析物理层（PHY）与介质访问控制（MAC）层的脆弱性与防御措施，强调在物理层干扰下MAC层解决方案的无效性。
• 评估单域抗干扰技术（如跳频、扩频和MIMO波束成形）在实现信号与干扰分离方面的效果。
• 提出跨域抗干扰方法，通过联合利用时间、频率、空间和码域来提升抗干扰能力，突破单域方法的局限。
• 引入跨层设计，整合物理层信号处理、MAC层协议自适应与网络资源分配，实现自适应抗干扰。
• 探索机器学习在干扰检测与自适应响应中的应用，包括基于学习的资源分配与干扰预测。

实验结果

研究问题

• RQ1 主要的干扰攻击模型有哪些？它们对Wi-Fi、蜂窝网络及基于物联网的网络有何影响？
• RQ2 为何当前的抗干扰策略在实际部署中效果不佳，尤其是在物理层？
• RQ3 如何通过跨域信号处理（时间、频率、空间、码域）提升对复杂干扰攻击的抗性？
• RQ4 跨层设计在实现能够响应动态干扰威胁的自适应抗干扰机制中发挥什么作用？
• RQ5 如何利用机器学习实现实时检测与抑制未知或自适应干扰信号？

主要发现

• 大多数现有无线网络，包括Wi-Fi和蜂窝系统，由于缺乏实用的物理层抗干扰机制，仍对干扰高度脆弱。
• 单域抗干扰技术（如跳频与扩频）受限于可用带宽、硬件限制与计算复杂度。
• 基于MIMO的抗干扰技术在提升频谱效率与信号分离方面展现出潜力，但在当前系统中尚未得到充分利用。
• 结合多个信号维度（如频率与空间）的跨域抗干扰设计，相比单域方法显著提升了抗干扰能力。
• 基于机器学习的抗干扰技术正成为检测与应对复杂、自适应干扰的有力工具，但实际部署仍具挑战。
• 将跨层设计（连接物理层、MAC层与网络层）整合到现代动态无线环境中，是实现有效抗干扰的关键。