論文の概要: Magmaw: Modality-Agnostic Adversarial Attacks on Machine Learning-Based
Wireless Communication Systems
- arxiv url: http://arxiv.org/abs/2311.00207v1
- Date: Wed, 1 Nov 2023 00:33:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 15:21:06.337384
- Title: Magmaw: Modality-Agnostic Adversarial Attacks on Machine Learning-Based
Wireless Communication Systems
- Title(参考訳): Magmaw: 機械学習ベースの無線通信システムにおけるモダリティ非依存の敵攻撃
- Authors: Jung-Woo Chang, Ke Sun, Nasimeh Heydaribeni, Seira Hidano, Xinyu
Zhang, Farinaz Koushanfar
- Abstract要約: Magmawは、無線チャネルを介して送信される任意のマルチモーダル信号に対して普遍的な逆方向の摂動を生成することができる最初のブラックボックス攻撃手法である。
概念実証のために,ソフトウェア定義無線システムを用いたリアルタイム無線攻撃プラットフォームを構築した。
驚いたことに、Magmawは暗号化された通信チャネルや従来の通信にも有効である。
- 参考スコア(独自算出の注目度): 23.183028451271745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning (ML) has been instrumental in enabling joint transceiver
optimization by merging all physical layer blocks of the end-to-end wireless
communication systems. Although there have been a number of adversarial attacks
on ML-based wireless systems, the existing methods do not provide a
comprehensive view including multi-modality of the source data, common physical
layer components, and wireless domain constraints. This paper proposes Magmaw,
the first black-box attack methodology capable of generating universal
adversarial perturbations for any multimodal signal transmitted over a wireless
channel. We further introduce new objectives for adversarial attacks on
ML-based downstream applications. The resilience of the attack to the existing
widely used defense methods of adversarial training and perturbation signal
subtraction is experimentally verified. For proof-of-concept evaluation, we
build a real-time wireless attack platform using a software-defined radio
system. Experimental results demonstrate that Magmaw causes significant
performance degradation even in the presence of the defense mechanisms.
Surprisingly, Magmaw is also effective against encrypted communication channels
and conventional communications.
- Abstract(参考訳): 機械学習(ML)は、エンド・ツー・エンドの無線通信システムのすべての物理層ブロックをマージすることで、ジョイント・トランシーバの最適化を可能にする。
MLベースの無線システムに対する多くの敵攻撃があったが、既存の手法では、ソースデータのマルチモーダル性、共通物理層コンポーネント、無線領域制約を含む包括的なビューを提供していない。
本稿では,無線チャネルを介して送信される任意のマルチモーダル信号に対して,ユニバーサルな逆摂動を発生させることができる最初のブラックボックス攻撃手法であるMagmawを提案する。
さらに、MLベースの下流アプリケーションに対する敵攻撃の新たな目的についても紹介する。
攻撃のレジリエンスは, 既存の防御手法である対向訓練と摂動信号の減算に対して実験的に検証されている。
概念実証のために,ソフトウェア定義無線システムを用いたリアルタイム無線攻撃プラットフォームを構築した。
実験の結果,Magmawは防御機構の存在下でも大きな性能劣化を引き起こすことが示された。
驚いたことに、Magmawは暗号化通信チャネルや従来の通信にも有効である。
関連論文リスト
- Radio Signal Classification by Adversarially Robust Quantum Machine
Learning [10.892401165756214]
この研究は、QVCを無線信号分類に適用し、様々な敵攻撃に対するロバスト性を研究する。
また、無線信号データを効率的に符号化するための近似振幅符号化(AAE)手法の新たな適用法を提案する。
論文 参考訳(メタデータ) (2023-12-13T01:11:35Z) - FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning
Attacks in Federated Learning [98.43475653490219]
フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。
FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。
FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
論文 参考訳(メタデータ) (2023-12-07T16:56:24Z) - Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial
Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。
また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文 参考訳(メタデータ) (2022-06-14T04:55:11Z) - Mixture GAN For Modulation Classification Resiliency Against Adversarial
Attacks [55.92475932732775]
本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。
GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。
シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-29T22:30:32Z) - Universal Adversarial Attacks on Neural Networks for Power Allocation in
a Massive MIMO System [60.46526086158021]
我々は,White-box や Black-box 攻撃として,UAP (Universal Adversarial Perturbation) 工法を提案する。
その結果, 敵の成功率は最大60%, 40%の確率で達成できることがわかった。
提案されたUAPベースの攻撃は、古典的なホワイトボックス攻撃に比べて実用的で現実的なアプローチである。
論文 参考訳(メタデータ) (2021-10-10T08:21:03Z) - Adversarial Attacks on Deep Learning Based Power Allocation in a Massive
MIMO Network [62.77129284830945]
本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。
我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
論文 参考訳(メタデータ) (2021-01-28T16:18:19Z) - Distributed Machine Learning for Wireless Communication Networks:
Techniques, Architectures, and Applications [1.647426214278143]
分散機械学習(DML)技術は、無線通信にますます応用されている。
大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。
この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
論文 参考訳(メタデータ) (2020-12-02T19:53:32Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z) - When Wireless Security Meets Machine Learning: Motivation, Challenges,
and Research Directions [14.040811989589741]
無線システムは、無線媒体の共有やブロードキャストの性質のため、ジャミングや盗聴などの様々な攻撃に対して脆弱である。
攻撃戦略と防御戦略の両方をサポートするため、機械学習(ML)は、無線通信特性から学習し、適応するための自動化された手段を提供する。
本稿では,MLと無線セキュリティを橋渡しする研究のモチベーション,背景,範囲について論じる。
論文 参考訳(メタデータ) (2020-01-24T05:07:39Z)
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。