Ameaça de Ataques Adversariais na Identificação de Dispositivos IoT Baseada em DL

Com o rápido desenvolvimento da tecnologia da informação, o número de dispositivos na Internet das Coisas (IoT) está aumentando explosivamente, o que torna a identificação de dispositivos um grande desafio. Redes neurais profundas (DNNs) têm sido utilizadas para a identificação de dispositivos na IoT devido à sua superior capacidade de aprendizado. No entanto, as DNNs são suscetíveis a ataques adversariais, que podem degradar significativamente a precisão dos modelos de aprendizado profundo (DL) para a identificação de dispositivos. O ataque adversarial é uma das principais preocupações de segurança das DNNs, e é de grande importância estudar a geração de exemplos adversariais e examinar os efeitos do ataque para o design de esquemas de identificação de dispositivos robustos baseados em DNN. Neste artigo, examinamos os efeitos de ataques adversariais não direcionados e direcionados na identificação de dispositivos baseada em redes neurais convolucionais (CNN) e propomos indicadores de avaliação combinados de logits para enriquecer os critérios de avaliação. Nossos resultados experimentais demonstram que a precisão da identificação degrada-se com o aumento do nível de perturbação e do tamanho do passo de iteração, e os indicadores de avaliação combinados propostos são eficazes para mostrar as diferenças individuais dos sinais dos dispositivos. As informações deste estudo serão úteis para o design de sistemas IoT robustos baseados em DL.