基于转移的对抗性中毒攻击针对在线（MIMO）深度接收器
内容提要
本文探讨了无线通信中的对抗性攻击及其防御方法，强调深度学习在信号处理中的应用面临的攻击风险，特别是功率分配和调制方案的攻击。提出了动态防御系统和通用对抗扰动（UAP）方法，以增强通信系统的安全性和鲁棒性。
延伸解读
攻击演进：从白盒到黑盒的实用化
文章梳理了无线通信对抗攻击的发展脉络：早期研究多基于白盒假设，如2021年对功率分配神经网络的攻击，在微小扰动下白盒攻击收益率可达86%。但白盒攻击需要掌握模型内部信息，实际中难以实现。2021年提出的通用对抗扰动（UAP）方法则同时支持白盒和黑盒攻击，成功率分别达到60%和40%，显著提升了攻击的现实可行性。2023年的Magmaw方法进一步实现了对多模态信号的黑盒攻击，且能穿透加密通信，表明攻击技术正朝着更实用、更隐蔽的方向演进。
防御思路：从静态加固到动态对抗
面对不断升级的攻击，防御策略也在演变。早期工作尝试通过扰动信道输入符号来识别攻击者并保障合法接收端，仿真显示能有效防御基于深度学习或决策树的攻击。针对2019年提出的空中频谱污染攻击，有研究设计了动态防御系统，通过干扰攻击者的训练数据来保证传输速率。2022年的研究则从回归问题入手，系统分析了深度神经网络的鲁棒性，并探索通过对抗训练提升模型对抗性能。这些方法反映了防御从被动识别向主动干扰、从单一模型向训练过程加固的转变。
风险警示：AI引入的新攻击面
文章指出，AI技术在无线通信中的广泛应用带来了高于传统攻击的风险。在分布式多输入多输出网络中，基于神经网络的最大功率最小化公平性控制被发现更易受到对抗性攻击。攻击者可以通过微小扰动导致分类错误，甚至在Rayleigh多径衰落信道下，无线调制分类也易受对抗攻击影响。此外，攻击者还能构建深度神经网络学习发射机行为，篡改频谱感知数据，实现欺骗或因果攻击，且难以检测。这些风险提示，在部署AI驱动的无线系统时，必须将对抗鲁棒性纳入安全评估。
Q&A
什么是通用对抗扰动（UAP）？
通用对抗扰动（UAP）是一种攻击方法，能够在白盒和黑盒攻击中生成对抗性扰动，其成功率分别可达60%和40%。
深度学习在无线通信中面临哪些安全风险？
深度学习在无线通信中面临的安全风险包括微小扰动下的白盒攻击收益率可达86%，以及对功率分配和调制方案的攻击。
如何防御针对调制方案的攻击？
可以通过扰动信道输入符号来识别攻击者并保障合法接收端，从而有效防御针对调制方案的攻击。
Magmaw攻击方法的特点是什么？
Magmaw是一种黑盒攻击方法，能够对传输过无线信道的多模态信号生成通用对抗扰动，即使在防御机制下也能导致性能下降。
动态防御系统的作用是什么？
动态防御系统旨在干扰攻击者的训练数据，以保证无线通信的传输速率和安全性。
深度学习如何影响无线通信的功率分配？
深度学习通过构建神经网络来优化功率分配，但也容易受到对抗性攻击的影响，导致通信速率下降。
