用于物理层认证的对抗机器学习

这份博士论文处理的是一个具体的安全缺口：当无线通信系统借助自主组网支撑 5G、物联网和车联网（V2X）时，网络需要可靠地确认信号确实来自它所声称的发射机，而仅靠上层机制并不足以保护数据真实性和更大互联网络的完整性。物理层认证的思路，是利用接收传输中由信道造成的独特差异，也就是 channel state information（CSI），把它当作判别发射机身份的依据。问题在于，一旦对手能够伪造这些底层认证特征，许多物理层认证方法就会失效。论文提出用对抗机器学习来刻画无线电台，把欺骗者纳入认证问题的设计前提，而不是假设信道特征天然不可伪造。

从覆盖面看，这是一篇电气工程博士论文，由 Naval Postgraduate School 发布，论文指导为 Frank E. Kragh。方法主线是：从接收传输中提取 CSI，用机器学习算法据此做认证决策；为应对伪造与欺骗，引入对抗学习来约束或训练认证模型。分析依托仿真，论文模拟了多种射频信道环境，而不是依赖单一外场测量集。主题词列出了物理层认证、神经网络、生成对抗网络（GAN）、MIMO、多径与深度学习，说明讨论覆盖了从信道传播特性到深度模型的多条线索。

论文的核心判断是：物理层认证的弱点主要在于对手可以主动模仿，特征不够独特并非关键。CSI 被描述为“已经很难模仿”的特征，但论文仍把针对合法发射机 CSI 的 spoofing 当作现实威胁，并用对抗学习来反制。换句话说，认证系统面对的是一个会观察并模仿特征的对立方，并非静态信道；对抗学习的角色，是让模型在训练和决策时把这种模仿行为考虑进去。

仿真结论是：在多种射频信道环境下，机器学习技术能够产生很高的认证准确率。这里需要如实说明材料的限度：摘要只给出“high authentication accuracy”这一定性表述，没有披露具体准确率数值、信道环境数量、样本规模或误判率。因此这份资料能支持“方法在仿真中有效”的判断，但不能支持任何具体性能数字的比较。主题词中 GAN 与神经网络并列出现，说明生成模型是论文讨论的技术选项之一；不过摘要没有展开具体网络结构与训练细节。

这些结论的实践含义，解读下来有两层。第一，物理层认证可以作为上层安全机制的补充：它的判断依据来自接收信号自身的信道依赖差异，认证信息随传输本身产生。第二，既然论文把欺骗者作为建模对象，那么评估一套物理层认证方案时，只在无攻击者的条件下报告准确率是不够的，还要看对手能够伪造 CSI 时系统是否仍然可用。对 5G、IoT、V2X 这类自主组网场景，这意味着安全设计需要把“对手会模仿物理层特征”写进威胁模型，而不是等部署后再补。

这份资料适合做无线物理层安全、射频指纹、认证协议以及对抗机器学习应用的研究者和工程人员阅读。读完可以拿走的是一套问题框架：用 CSI 做认证、把 spoofing 当作对手模型、用对抗学习提升鲁棒性，以及一组可继续追查的技术主题，包括 GAN、MIMO、多径和深度学习。边界也需要说清楚：结论建立在仿真之上，材料没有提供外场实测或部署验证的信息；摘要层面的性能只有定性描述，无法据此复现或对标具体指标。论文作为美国政府作品公开发布，美国境内不受版权保护，引用时仍应以原文为准。

ADVERSARIAL MACHINE LEARNING FOR PHYSICAL-LAYER AUTHENTICATION Title ADVERSARIAL MACHINE LEARNING FOR PHYSICAL-LAYER AUTHENTICATION Item Type Thesis Authors St. Germain, Kenneth W. URI https://hdl.handle.net/10945/67817 Publisher Monterey, CA; Naval Postgraduate School Date Issued 2021-06 Rights This publication is a work of the U.S. Government as defined in Title 17, United States Code, Section 101. Copyright protection is not available for this work in the United States. Download date 2026-11-04 22:59:17 Link to Item https://hdl.handle.net/10945/67817 Downloaded from NPS Archive: Calhoun NAVAL POSTGRADUATE SCHOOL MONTEREY, CALIFORNIA DISSERTATION ADVERSARIAL MACHINE LEARNING FOR PHYSICAL-LAYER AUTHENTICATION by Kenneth W. St. Germain June 2021 Dissertation Supervisor: Frank E. Kragh Approved for public release. Distribution is unlimited.