論文の概要: Adversarial Attacks with Multiple Antennas Against Deep Learning-Based Modulation Classifiers

• arxiv url: http://arxiv.org/abs/2007.16204v1
• Date: Fri, 31 Jul 2020 17:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:22:27.701810
• Title: Adversarial Attacks with Multiple Antennas Against Deep Learning-Based Modulation Classifiers
• Title（参考訳）: 深層学習に基づく変調分類器に対する複数アンテナによる逆攻撃
• Authors: Brian Kim and Yalin E. Sagduyu and Tugba Erpek and Kemal Davaslioglu and Sennur Ulukus
• Abstract要約: 敵の攻撃性能を改善するために、敵の複数のアンテナを利用する方法を示す。 シンボルレベルにおいて最大のチャネルゲインを持つチャネルを通して逆方向の摂動を伝達する攻撃を導入する。
• 参考スコア（独自算出の注目度）: 43.156901821548935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a wireless communication system, where a transmitter sends signals to a receiver with different modulation types while the receiver classifies the modulation types of the received signals using its deep learning-based classifier. Concurrently, an adversary transmits adversarial perturbations using its multiple antennas to fool the classifier into misclassifying the received signals. From the adversarial machine learning perspective, we show how to utilize multiple antennas at the adversary to improve the adversarial (evasion) attack performance. Two main points are considered while exploiting the multiple antennas at the adversary, namely the power allocation among antennas and the utilization of channel diversity. First, we show that multiple independent adversaries, each with a single antenna cannot improve the attack performance compared to a single adversary with multiple antennas using the same total power. Then, we consider various ways to allocate power among multiple antennas at a single adversary such as allocating power to only one antenna, and proportional or inversely proportional to the channel gain. By utilizing channel diversity, we introduce an attack to transmit the adversarial perturbation through the channel with the largest channel gain at the symbol level. We show that this attack reduces the classifier accuracy significantly compared to other attacks under different channel conditions in terms of channel variance and channel correlation across antennas. Also, we show that the attack success improves significantly as the number of antennas increases at the adversary that can better utilize channel diversity to craft adversarial attacks.
• Abstract（参考訳）: 本稿では,受信者が異なる変調方式の受信者に信号を送信し,受信者が深層学習に基づく分類器を用いて受信信号の変調方式を分類する無線通信システムを考える。 同時に、敵は複数のアンテナを用いて敵の摂動を送信し、分類器を騙して受信した信号を誤分類する。 敵の機械学習の観点から、敵の攻撃性能を改善するために、敵の複数のアンテナを利用する方法を示す。 2つの主要なポイントは、敵の複数のアンテナ、すなわちアンテナ間の電力配分とチャネルの多様性の利用を利用して検討される。 まず,一つのアンテナを持つ複数の独立した敵は,同じ総電力で複数のアンテナを持つ1つの敵に比べて攻撃性能が向上しないことを示す。 そこで我々は,1つのアンテナのみに電力を割り当てたり,チャネルゲインに比例あるいは逆比例するなど,複数のアンテナ間で電力を割り当てる様々な方法を検討する。 チャネルの多様性を利用して,シンボルレベルで最大チャンネル利得を有するチャネルを介して逆摂動を伝達する攻撃を提案する。 この攻撃は,アンテナ間のチャネルのばらつきやチャネル相関の観点から,異なるチャネル条件下での他の攻撃と比較して,分類精度が著しく低下することを示す。 また,チャネルの多様性を活かして敵攻撃を行うアンテナの数が増加するにつれて,攻撃の成功が著しく向上することを示す。

関連論文リスト

• DEFORM: A Practical, Universal Deep Beamforming System [4.450750414447688]
  我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。 我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-18T03:52:18Z)
• Adversarial Robustness of Deep Reinforcement Learning based Dynamic Recommender Systems [50.758281304737444]
  本稿では,強化学習に基づく対話型レコメンデーションシステムにおける敵例の探索と攻撃検出を提案する。 まず、入力に摂動を加え、カジュアルな要因に介入することで、異なる種類の逆例を作成する。 そこで,本研究では,人工データに基づく深層学習に基づく分類器による潜在的攻撃を検出することにより,推薦システムを強化した。
  論文  参考訳（メタデータ） (2021-12-02T04:12:24Z)
• Adversarial Attacks against Deep Learning Based Power Control in Wireless Communications [45.24732440940411]
  基地局(BS)が複数のサブキャリアに送信電力を割り当てる電力割り当てに対する逆機械学習に基づく攻撃について検討する。 敵攻撃は,通信速度の低下の観点から,ベンチマーク攻撃よりもはるかに効果的であることを示す。
  論文  参考訳（メタデータ） (2021-09-16T17:54:16Z)
• Channel Effects on Surrogate Models of Adversarial Attacks against Wireless Signal Classifiers [42.56367378986028]
  本稿では,バックグラウンドエミッタ,送信機,敵機で構成される無線通信システムについて考察する。 敵は、送信機を騙してチャンネルをアイドルと誤分類する敵攻撃を発生させる。 本研究は,敵対者によって訓練された異なる代理モデルが敵攻撃の性能にどのように影響するかを検討するために,異なるトポロジを考察する。
  論文  参考訳（メタデータ） (2020-12-03T18:46:28Z)
• Deep Learning Based Antenna Selection for Channel Extrapolation in FDD Massive MIMO [54.54508321463112]
  大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。 ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。 アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
  論文  参考訳（メタデータ） (2020-09-03T13:38:52Z)
• Adversarial Attacks and Detection on Reinforcement Learning-Based Interactive Recommender Systems [47.70973322193384]
  敵の攻撃は、早期にそれらを検出する上で大きな課題となる。 本稿では,強化学習に基づく対話型レコメンデーションシステムにおける攻撃非依存の検出を提案する。 まず, 多様な分布を示すために敵の例を作成し, 潜在的な攻撃を検知して推薦システムを強化した。
  論文  参考訳（メタデータ） (2020-06-14T15:41:47Z)
• Channel-Aware Adversarial Attacks Against Deep Learning-Based Wireless Signal Classifiers [43.156901821548935]
  本稿では,ディープラーニングに基づく無線信号分類器に対するチャネル認識型敵攻撃について述べる。 雑音でトレーニングデータを増強するランダムな平滑化に基づく認証された防御を導入し、変調分類器を敵の摂動に頑健にする。
  論文  参考訳（メタデータ） (2020-05-11T15:42:54Z)
• Over-the-Air Adversarial Attacks on Deep Learning Based Modulation Classifier over Wireless Channels [43.156901821548935]
  本稿では,送信機,受信機,敵から成り立つ無線通信システムについて考察する。 一方、敵は送信機の信号に重畳されるように、無線で送信する。 本稿では,敵から受信機へのチャネルを考慮し,現実的な回避攻撃を行う方法について述べる。
  論文  参考訳（メタデータ） (2020-02-05T18:45:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。