무선 신호 자동 변조 분류를 위한 적대적 예제 방어용 JiT 기반 디노이징 방어 방법

원문 발행 2026. 10. 26. 18:26원문 언어 영어AI 한국어 번역arXiv cs.LG (Machine Learning) 원문 보기

요약

무선 신호의 자동 변조 분류는 적대적 공격에 취약하여 보안 문제가 발생합니다. 본 논문은 JiT에서 영감을 받아 1D Transformer 디노이징 방어를 제안하며, 임의의 예제를 깨끗한 신호가 존재하는 저차원 다양체로 투영하는 방식으로 강건성을 확보했습니다. 이는 기존 적대적 훈련 대비 높은 견고 정확도 향상을 입증했습니다.

핵심 포인트

JiT에서 영감을 받은 디노이징 방어 기법을 제안함.
신호를 저차원 다양체로 투영하여 공격에 대한 강건성을 확보.
PGD 적대적 훈련 대비 높은 견고 정확도 향상을 달성.
미지의 공격 유형에도 강력한 방어 성능을 제공함.

무선 신호의 자동 변조 분류(Automatic modulation classification, AMC)는 스펙트럼 모니터링 및 전자기 상황 인식에 핵심 기술입니다. 심층 신경망(Deep neural networks, DNNs)은 강력한 특징 추출 능력과 종단 간 학습 패러다임 덕분에 이 분야에서 중요한 역할을 합니다. 그러나 적대적 공격에 취약하다는 점은 실제 배포에 심각한 보안 문제를 야기합니다. 일반적인 방어 기법인 적대적 훈련(Adversarial training)은 공격 유형 전반의 낮은 일반화 성능과 높은 훈련 비용 등의 한계를 가집니다. 깨끗한 이미지를 직접 예측하는 확산 생성 모델(diffusion generative model)인 Just image Transformers (JiT)에서 영감을 받아, 본 논문은 무선 신호 변조 분류를 위한 적대적 예제 방어용 JiT 기반 디노이징 방어를 제안합니다. 훈련 중에는 신호별 1D Transformer 디노이징 네트워크가 흐름 매칭(flow matching)을 통해 최적화되어 깨끗한 신호 샘플을 직접 예측합니다. 이를 통해 임의의 예제를 깨끗한 신호 예제의 저차원 다양체(low-dimensional manifold)로 투영하는 매핑을 학습합니다. 추론 시에는 임의의 예제가 훈련된 네트워크에 입력되어 이 다양체 위로 직접 투영됩니다. 이는 공격에 대한 사전 지식 없이 디노이징 방어를 가능하게 합니다. RML2018.01A 데이터셋에서 공격 정보 없이, 단일 경험적으로 선택된 고정 디노이징 시작 시간을 사용하여 실험을 수행했습니다. PGD 기반 적대적 훈련과 비교했을 때, 제안된 방법은 PGD 공격 하에서 견고 정확도(robust accuracy)를 최소 20.58% 향상시키는 상대적 개선율을 달성합니다. 또한 깨끗한 예제에 대한 분류 정확도에서도 10.20%의 상대적 개선율을 달성했습니다. 적대적 훈련 중에는 보지 못한 공격 유형에 대해 평가했을 때, 제안된 방법은 적대적 훈련보다 더 강력한 방어를 제공합니다. 특히, 높은 공격 강도에서 견고 정확도를 최소 39.72% 향상시키는 상대적 개선율을 달성했습니다.

AI 자동 생성 콘텐츠

원문 바로가기

무선 신호 자동 변조 분류를 위한 적대적 예제 방어용 JiT 기반 디노이징 방어 방법

요약

핵심 포인트

댓글