利用机器学习对Wi-Fi网络中的智能干扰进行检测和分类  

作　　者：Zhengguang Zhang Marwan Krunz 蔡珏(翻译) 

机构地区：[1]Department of Electrical and Computer Engineering,University of Arizona,USA [2]不详

出　　处：《通信对抗》2024年第4期52-58,共7页Communication Countermeasures

摘　　要：聪明的对手可以利用基于OFDM的Wi-Fi协议的公开顿结构,通过对特定时间样本或特定子载波进行策略性干扰来破坏通信。这种攻击很难通过频谱分析和信号强度指示等传统技术检测出来。为解决这一问题,人们提出了基于机器学习(ML)的方法。然而,现有的ML方法计算量大,而且仅在信干比(SJR)较低的情况下才表现良好。文章提出了一种可高效计算的深度卷积神经网络(DCNN),该网络仅由四个卷积层组成,可对Wi-Fi网络中的几种智能干扰攻击进行检测和分类。为了应对智能干扰的时频选择性,将连续小波变换(CWT)应用于部分重叠的接收到的I/Q样本段以提取特征。CWT的尺度图用作DCNN的输入。重点研究了三种智能干扰攻击:前导码干扰、导频干扰和交织干扰。这些攻击具有相似的特征,因此区分它们特别具有挑战性。在-6dB到15dB的SJR范围内,提出的分类器对这些干扰攻击进行检测和分类的准确率都很高,总体分类准确率达到98%。即使在高SJR水平下,准确率仍然高达90%左右。还训练了分类器对部分前导码干扰和部分导频干扰的鲁棒性,在SJR达到12dB时,分类准确率超过90%。此外,还将提出的分类器与使用频谱图(短时傅里叶变换)作为DCNN输入的分类器进行了比较,结果表明提出的基于尺度图的分类器性能优越,尤其是在高SJR下。

关 键 词：智能干扰分类 深度神经网络 小波分析 无线安全 WI-FI网络 

分 类 号：TN92[电子电信—通信与信息系统]