一种用于图像语义通信系统的黑盒混合攻击方法

《IEEE Open Journal of the Communications Society》：A Black-Box Hybrid-Attack for Image Semantic Communication Systems

　　

摘要：

语义通信（SC）系统利用深度神经网络传输语义特征而非原始数据，从而提高传输效率并支持下一代无线应用。本文提出了一种黑盒混合攻击方法，该方法能够揭示执行重建和分类任务的基于图像的SC系统中的关键漏洞。与现有的依赖目标数据集相似的替代模型进行训练的黑盒方法不同，我们的方法生成了一个合成的替代数据集，消除了这种依赖性。该攻击分为两个阶段：在第一阶段，全双工攻击者截获通过开放通道传输的语义特征，使用神经网络重建伪造图像，并同时干扰原始通信；在第二阶段，从这些伪造图像中生成语义噪声并将其注入到重新传输的特征中，从而误导接收者，同时保持图像的感知质量。一个专门的数据生成网络提高了伪造数据的质量，并增强了语义噪声的设计。在CIFAR-10和MNIST数据集上进行的实验表明，我们的方法可以将分类准确率降低多达54%，同时保持较高的视觉保真度（PSNR约为26 dB，SSIM约为0.95）。这些发现突显了SC系统中的严重安全风险，并强调了开发更强大防御机制的紧迫性。