論文の概要: Intelligent Disruption: Undetectable Attacks on Wireless Autoencoders
- arxiv url: http://arxiv.org/abs/2607.19448v1
- Date: Tue, 21 Jul 2026 12:28:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.895741
- Title: Intelligent Disruption: Undetectable Attacks on Wireless Autoencoders
- Title（参考訳）: Intelligent Disruption: ワイヤレスオートエンコーダに対する検出不能な攻撃
- Abstract要約: 敵攻撃は無線オートエンコーダ通信における正当な判定性能を低下させることができる。
本稿では, 攻撃の非検出性, 攻撃性, 適応性を両立させる, 深層学習に基づく知的攻撃フレームワークを提案する。
提案するフレームワークは,攻撃の非検出性,攻撃性,適応性の観点からベンチマークより優れていることを示す。
- 参考スコア（独自算出の注目度）: 24.417698562621467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adversarial attacks can degrade the legitimate decision performance in wireless autoencoder communications. However, in complex scenarios with multiple adversaries, the cumulative leakage interference (CLI) caused by the multiple parallel attacks increases the chance of detecting the attacks, while dynamical environments also make the fixed attack strategies difficult to have stable effectiveness. To jointly enhance the undetectability, aggressivity and adaptability of adversarial attacks, we propose a deep learning based intelligent attack framework. Specifically, considering the CLI caused by the multiple parallel attacks, a deep neural network based transmit power control is established to reduce the interference leakage by regulating the transmit power of these adversaries, thereby improving the undetectability. Furthermore, to enhance the attack effectiveness and stability in the dynamic environment, the conditional generative adversarial attack is further developed. The generator takes the attack channel information as the conditional input to produce the perturbating signals to mislead the discriminator by making the attacked received signals resemble the clean received signals, while the discriminator distinguishes between the two under the same condition. Through the adversarial training, the generator can learn to create adaptive perturbating signals with enhanced attack performance. Simulation results demonstrate that the proposed framework outperforms benchmarks in terms of attack undetectability, aggressivity and adaptability.
- Abstract（参考訳）: 敵攻撃は無線オートエンコーダ通信における正当な判定性能を低下させることができる。
しかし、複数の敵の複雑なシナリオでは、多重並列攻撃による累積リーク干渉(CLI)が攻撃を検出する確率を増加させる一方、動的環境は固定攻撃戦略の安定化を困難にする。
敵攻撃の非検出性,攻撃性,適応性を両立させるため,深層学習に基づく知的攻撃フレームワークを提案する。
具体的には、多重並列攻撃によるCLIを考慮すると、ディープニューラルネットワークに基づく送信電力制御が確立され、これらの敵の送信電力を制御して干渉漏れを低減することにより、検出不能性が向上する。
さらに、動的環境における攻撃の有効性と安定性を高めるため、条件付き生成逆攻撃をさらに発展させる。
発生器は、攻撃チャネル情報を条件入力として、攻撃を受けた信号をクリーン受信信号に似せて判別器を誤誘導する摂動信号を生成する一方、判別器は同じ条件下で両者を区別する。
敵の訓練を通じて、ジェネレータは攻撃性能を高めた適応的な摂動信号を生成することができる。
シミュレーションの結果,提案フレームワークは攻撃の非検出性,攻撃性,適応性という点でベンチマークを上回る性能を示した。
関連論文リスト
- Replicating the Signature: Unsupervised Targeted Impersonation Attack on RF Fingerprinting [3.065243326333468]
本稿では,RFフィンガープリント(RFFP)識別システムを,対象装置のハードウェア固有の障害を再現する信号を合成することによって,偽装攻撃の枠組みを提案する。
我々のフレームワークは教師なし学習を活用して正確な障害推定を可能にし、信号処理に基づく生成と組み合わせて高忠実度対向信号の合成を行う。
論文 参考訳（メタデータ） (2026-07-06T18:33:57Z) - Behavior-Aware and Generalizable Defense Against Black-Box Adversarial Attacks for ML-Based IDS [2.179313476241343]
ブラックボックスの敵攻撃は、機械学習ベースの侵入検知システムによってますます標的にされている。
本稿では,現実的なブラックボックスシナリオに特化して設計された,軽量かつプロアクティブな防御機構であるAdaptive Feature Poisoningを提案する。
我々は攻撃者を混乱させ、攻撃の有効性を低下させ、検出性能を維持する能力を評価する。
論文 参考訳（メタデータ） (2025-12-15T16:29:23Z) - Security Analysis of WiFi-based Sensing Systems: Threats from Perturbation Attacks [18.25251260793266]
ディープラーニング技術は本質的に、敵の摂動攻撃に弱い。
本稿では,WiIntruderと呼ばれる攻撃を,堅牢性,普遍性,ステルスネスで識別する。
テストでは、ユーザ認証や呼吸監視を含む、一般的なWiFiベースのサービスに対する摂動攻撃の現実的な脅威を確認する。
論文 参考訳（メタデータ） (2024-04-24T01:43:07Z) - Fortify the Guardian, Not the Treasure: Resilient Adversarial Detectors [0.0]
アダプティブアタックとは、攻撃者が防御を意識し、その戦略を適応させる攻撃である。
提案手法は, クリーンな精度を損なうことなく, 敵の訓練を活用して攻撃を検知する能力を強化する。
CIFAR-10とSVHNデータセットの実験的評価により,提案アルゴリズムは,適応的敵攻撃を正確に識別する検出器の能力を大幅に向上することを示した。
論文 参考訳（メタデータ） (2024-04-18T12:13:09Z) - Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。
メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。
MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
論文 参考訳（メタデータ） (2024-04-04T10:10:38Z) - Multi-granular Adversarial Attacks against Black-box Neural Ranking Models [111.58315434849047]
多粒性摂動を取り入れた高品質な逆数例を作成する。
我々は,多粒体攻撃を逐次的意思決定プロセスに変換する。
本手法は,攻撃の有効性と非受容性の両方において,一般的なベースラインを超えている。
論文 参考訳（メタデータ） (2024-04-02T02:08:29Z) - Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。
我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
論文 参考訳（メタデータ） (2023-12-20T05:06:01Z) - Embodied Laser Attack:Leveraging Scene Priors to Achieve Agent-based Robust Non-contact Attacks [13.726534285661717]
本稿では,非接触レーザー攻撃を動的に調整する新しい枠組みであるEmbodied Laser Attack (ELA)を紹介する。
認識モジュールのために,ERAは交通シーンの本質的な事前知識に基づいて,局所的な視点変換ネットワークを革新的に開発してきた。
決定と制御モジュールのために、ERAは時間を要するアルゴリズムを採用する代わりに、データ駆動の強化学習で攻撃エージェントを訓練する。
論文 参考訳（メタデータ） (2023-12-15T06:16:17Z) - Guidance Through Surrogate: Towards a Generic Diagnostic Attack [101.36906370355435]
我々は、攻撃最適化中に局所最小限を避けるための誘導機構を開発し、G-PGAと呼ばれる新たな攻撃に繋がる。
修正された攻撃では、ランダムに再起動したり、多数の攻撃を繰り返したり、最適なステップサイズを検索したりする必要がありません。
効果的な攻撃以上に、G-PGAは敵防御における勾配マスキングによる解離性堅牢性を明らかにするための診断ツールとして用いられる。
論文 参考訳（メタデータ） (2022-12-30T18:45:23Z) - Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。
既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。
以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
論文 参考訳（メタデータ） (2022-07-20T19:49:09Z) - 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) - On Trace of PGD-Like Adversarial Attacks [77.75152218980605]
敵対的攻撃は、ディープラーニングアプリケーションに対する安全性とセキュリティ上の懸念を引き起こす。
モデルの勾配一貫性を反映した適応応答特性(ARC)特性を構築する。
私たちの方法は直感的で、軽量で、非侵襲的で、データ不要です。
論文 参考訳（メタデータ） (2022-05-19T14:26:50Z)
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。