Security Analysis of WiFi-based Sensing Systems: Threats from Perturbation Attacks

深度学习技术对于增强基于WiFi的无线感知系统的性能至关重要。然而，它们天生容易受到对抗性扰动攻击的影响，遗憾的是，WiFi感知社区对这一安全问题缺乏严重的关注。本文详细阐述了一种攻击，称为WiIntruder，其具有普适性、鲁棒性和隐蔽性，可以作为评估现有基于WiFi的感知系统安全性的催化剂。该攻击具有以下显著特点：(1)通过区分感知模型中用户状态特定的特征空间，从而实现最大化可转移性，导致一种普遍有效的扰动攻击，适用于常见应用程序；(2)通过启发式粒子群驱动的扰动生成算法来优化关键参数时，解决由设备同步和无线传播引起的扰动信号失真问题；(3)通过生成对抗网络随机切换扰动代理来增强攻击模式的多样性和隐蔽性。广泛的实验结果证实了扰动攻击对常见的基于WiFi的服务，包括用户身份验证和呼吸监测的实际威胁。

本文旨在解决WiFi无线传感系统中深度学习技术面临的对抗性扰动攻击问题，以及评估现有WiFi传感系统的安全性。

本文提出了一种名为WiIntruder的攻击方式，具有普适性、鲁棒性和隐蔽性。该攻击通过不同用户状态的特征空间来实现最大的可转移性，使用启发式粒子群算法来优化关键参数，解决了设备同步和无线传播引起的扰动信号失真问题，并通过生成对抗网络来增强攻击模式的多样性和隐蔽性。

实验结果证实了扰动攻击对常见的WiFi服务（如用户身份验证和呼吸监测）的实际威胁。此外，本文还使用了公开数据集，提供了开源代码，并探讨了未来的研究方向，如如何提高WiFi传感系统的安全性。

在相关研究方面，最近的一些研究包括：'Adversarial Attacks and Defenses in Deep Learning'、'Deep Learning for Wireless Sensing: A Review'、'Adversarial Machine Learning: A Review'等。