深度学习基于射频指纹识别的白盒对抗攻击
摘要：射频指纹识别在轻量级鉴别无线物联网设备中是一种新兴的技术。射频指纹识别利用唯一的硬件损坏作为设备识别符，并且深度学习被广泛应用于射频指纹识别的特征提取和分类器。然而，深度学习容易受到对抗性攻击的影响，即通过向干净数据添加扰动来生成对抗性样本，从而使分类器做出错误的预测。基于深度学习的射频指纹识别已经被证明容易受到此类攻击的影响，然而，目前还没有对多样化的射频指纹识别分类器进行有效对抗性攻击的探索。在本文中，我们报道了对于白盒攻击（非目标和目标）的研究，采用了两种方法，即快速梯度符号方法（FGSM）和投影梯度下降（PGD）。我们建立了一个LoRa测试平台并收集了真实数据集。这些对抗性示例已被实验证明对卷积神经网络（CNNs）、长短时记忆（LSTM）网络和门控循环单元（GRU）有效。
作者：Jie Ma, Junqing Zhang, Guanxiong Shen, Alan Marshall and Chip-Hong Chang
论文ID：2308.07433
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-16