X-ZeroSec：采用可解释人工智能（XAI）的基于深度学习的波束成形预测零样本逃逸攻击检测

《IEEE Transactions on Machine Learning in Communications and Networking》：X-ZeroSec: Zero-Shot Evasion Attack Detection in Deep Learning based Beamforming Prediction with XAI

　　

摘要：

随着下一代无线系统的兴起，基于深度学习（DL）的安全解决方案正获得广泛采用。深度学习影响的一个关键领域是毫米波通信中的波束成形预测。本研究调查了基于AI的模型对对抗性攻击的脆弱性，这些攻击可能会破坏复杂分布式多输入多输出（D-MIMO）环境中的网络性能。由于AI在高效选择波束方面起着至关重要的作用，此类漏洞对5G和6G网络的可靠性构成了严重威胁。现有工作在低延迟要求下无法实现针对未见攻击的可泛化性能。为了增强韧性，我们提出了一种名为X-ZeroSec的创新XAI框架，该框架利用SHAP，特别是合作博弈论中的Shapley值来检测并缓解对抗性攻击。我们的方法引入了"解释蒸馏"的概念，其中来自"教师"检测模型的特征归因训练了一个泛化的基于XAI的"学生"模型，从而提高了检测率，特别是在零样本攻击方面。该框架增强了针对各种对抗性模式的鲁棒性，与最先进的检测器相比，准确率提高了10-16%。全面的评估表明，将XAI集成到AI驱动的波束成形中可以增强模型防御，在满足不断演变的安全要求的同时保持毫米波系统性能。X-ZeroSec框架支持多种基于深度学习的应用，并已部署在UCD NETSLAB 5G O-RAN测试平台上，展现出端到端延迟小于4毫秒的优异性能。