حملات خصمانه در شناسایی مدولاسیون با استفاده از شبکه های عصبی پیچشی (CNN)

مدل های یادگیری عمیق (DL) در برابر حملات هوشمند آسیب پذیرند؛ به طوری که با افزودن یک اغتشاش جزئی و نامحسوس برای ادراک انسانی، شبکه های عصبی پیچشی (CNN) ممکن است نتایج نادرستی تولید کنند که به طور چشمگیری قابلیت اعتماد و امنیت یادگیری عمیق را کاهش می دهد. با توجه به کاربرد گسترده شناسایی مدولاسیون در حوزه ارتباطات و رشد سریع یادگیری عمیق، این مقاله با افزودن یک اغتشاش هوشمند طراحی شده به سیگنال ورودی، عملکرد روش های حمله بر شناسایی مدولاسیون را بررسی کرده و میزان اثر بخشی این حملات را بر سیگنال ها اندازه گیری می کند. همچنین ارزیابی تجربی از قابلیت اعتماد شبکه های CNN ارائه می دهد. نتایج نشان می دهند که دقت مدل هدف در اثر حملات هوشمند به شدت کاهش می یابد؛ به طوری که زمانی که ضریب اغتشاش ۱۰ باشد میانگین دقت مدل حدود ۵۰٪ افت می کند. در این میان حملاتی که در چند مرحله به صورت تکراری اعمال می شوند نسبت به حملات ساده ای که فقط در یک مرحله اجرا می شوند تاثیر مخرب تر و موثرتری روی مدل دارند. علاوه بر این، همسانی شکل موج قبل و بعد از اعمال اغتشاش بررسی شده تا مشخص شود که آیا نمونه های افزوده شده به قدری کوچک هستند که برای ادراک انسانی غیرقابل تشخیص باشند یا خیر. این مقاله همچنین با هدف ترغیب پژوهشگران برای افزایش قابلیت اعتماد شبکه های CNN در برابر حملات هوشمند ارائه شده است.

کلیدواژه ها:

نمونه های هوشمند ، شبکه های عصبی پیچشی (CNN) ، شناسایی مدولاسیون ، امنیت رادیویی ، حملات جعبه سفید