敵対的機械学習：最先端の多層レビューとワイヤレスおよびモバイルシステムに対する課題

機械学習（ML）モデルは、通常のサンプルのように見える敵対的サンプルに対して脆弱であり、これらには訓練された分類器を誤導し、入力を誤分類する意図で目に見えないノイズが追加されています。敵対的機械学習（AML）は、初めて研究者がコンピュータビジョン分野の画像分類器における特定の盲点を指摘し、これらの敵対的サンプルがモデルを欺くために悪用したことを受けて造られました。これはコンピュータビジョンにおいて顕著に調査されていますが、ワイヤレスおよびモバイルシステムにおけるAMLの影響は最近注目を集めています。ワイヤレスおよびモバイルネットワークは、ネットワークトラフィックの異常やマルウェア検出を行うためにML分類器を使用することで大きな恩恵を受けています。しかし、ML検出器自体は攻撃者によって慎重に設計されたサンプルによって外部に持ち出されるか、回避される可能性があり、MLベースのネットワークアプリケーションに対するセキュリティの懸念を引き起こしています。したがって、ネットワークを保護するためにそのようなサンプルを検出することが重要です。この調査記事は、物理層からネットワークおよびアプリケーション層に至るまで、ワイヤレスおよびモバイルシステムにおけるAMLに関する体系的なマッピングと包括的な文献レビューを提供します。この記事では、敵対的サンプルの生成と検出における最先端のAMLアプローチをレビューしています。サンプルは、生成的敵対的ネットワーク（GANs）などの敵対的モデルや、急速勾配符号法（FGSM）などの技術によって生成される可能性があります。サンプルは、分類器として機能する敵対的モデルや、そのようなサンプルを検出する方法に関する知識を強化したML分類器によって検出されます。各アプローチについて、高レベルの概要と、それがワイヤレスおよびモバイル環境の問題解決に与える影響が示されています。さらに、この記事では、これらのアプローチが直面しているオープンな問題や課題、ならびに人工知能（AI）駆動のワイヤレスおよびモバイルネットワーキングに興味を持つ研究者や開発者にとっての研究機会を強調するための詳細な議論が提供されています。