Adversarial Robustness of Distilled and Pruned Deep Learning-based Wireless Classifiers

本文指出，针对无线信号的自动调制分类（AMC）所开发的数据驱动深度学习（DL）技术容易受到对抗性攻击，这对基于DL的无线系统，尤其是AMC的边缘应用，构成了严重的安全威胁。为此，本文解决了开发优化的DL模型并使其对抗攻击具有鲁棒性的联合问题。这使得DL-based AMC能够在边缘设备上高效可靠地部署。本文首先提出了两个优化模型，使用知识蒸馏和网络剪枝，然后采用计算效率高的对抗训练过程来提高模型的鲁棒性。实验结果显示，在五种白盒攻击中，所提出的优化和对抗训练模型比标准（未优化）模型具有更好的鲁棒性。两个优化模型也在干净（未受攻击）样本上取得了更高的准确性，这对于DL-based解决方案在边缘应用中的可靠性至关重要。

本论文旨在解决基于深度学习的无线信号调制分类（AMC）在面临对抗攻击时的安全性问题，提出了一种优化的深度学习模型并进行对抗训练，以提高模型的鲁棒性和可靠性。

本论文提出了两种优化的深度学习模型，并通过知识蒸馏和网络修剪的方式对模型进行优化，然后进行对抗训练以提高模型的鲁棒性。

论文通过实验验证了所提出的优化模型和对抗训练方法能够提高模型的鲁棒性和准确性，具有较好的实用性。此外，论文还探讨了对抗攻击的影响因素，并对比了不同攻击方式对模型的影响。

在相关研究方面，最近也有一些关于对抗攻击的深度学习模型鲁棒性的研究，例如“Adversarial Training Methods for Semi-Supervised Text Classification”和“Robustness of Deep Learning Models: A Survey”。