面向频谱接入深度强化学习模型的后门攻击方法

摘要：

深度强化学习(Deep Reinforcement Learning,DRL)方法以其在智能体感知和决策方面的优势,在多用户智能动态频谱接入问题上得到广泛关注.然而,深度神经网络的弱可解释性使得DRL模型容易受到后门攻击威胁.针对认知无线网络下基于深度强化学习模型的动态频谱接入(Dynamic Spectrum Access,DSA)场景,提出了一种非侵入、开销低的后门攻击方法.攻击者通过监听信道使用情况来选择非侵入的后门触发器,随后将后门样本添加到次用户的DRL模型训练池,并在训练阶段将后门植入DRL模型中;在推理阶段,攻击者主动发送信号激活模型中的触发器,使次用户做出目标动作,降低次用户的信道接入成功率.仿真结果表明,所提后门攻击方法能够在不同规模的DSA场景下达到90％以上的攻击成功率,相比持续攻击可以减少20％～30％的攻击开销,并适用于3种不同类型的DRL模型.

关键词：动态频谱接入、深度强化学习、后门攻击、触发器

所属期刊栏目：50

分类号：TN925;TP181

在线出版日期：2023-02-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：351-361