Adversarial Attacks auf radargestützte KI-Anwendungen

In dieser Dissertation werden Datenverarbeitungsalgorithmen, die auf Methoden der Künstlichen Intelligenz (KI) basieren und die sich mit der Analyse von Radar-Signalen befassen, mittels Adversarial Attacks angegriffen. Neben den für die Radarsignale entwickelten Adversarial Attacks werden selbige an mehreren praktischen Versuchsaufbauten implementiert und deren Ergebnisse ausgewertet. Zudem werden Untersuchungen zur realen Gefahrenabschätzungen bezüglich der Übertragbarkeit von Angriffen auf unbekannte Systeme, sowie die Relevanz von natürlich auftretenden Interferenzen in Multi-Sensor-Umgebungen durchgeführt.
Adversarial Attacks sind nach wie vor ein den KI-Anwendungen immanentes, ungelöstes Problem, bei dem eine minimale Änderung des Eingangssignals eine maximale Änderung des Ausgangs des Neuronalen Netzes (NN) bewirkt.
Mehrere Adversarial-Attack-Methoden werden vorgestellt, die für eine Vielzahl von Strukturen Neuronaler Netzwerke sowie für die meist verbreitetsten Problemstellungen anwendbar sind. Dabei wird insbesondere darauf Rücksicht genommen, dass die entwickelten Angriffe gut auf Radardaten verarbeitende Neuronale Netze angepasst werden können.
Neben dem Generieren von samplespezifischen Angriffsmasken werden mehrere Methoden zur Berechnung von universellen Patches vorgestellt, die unabhängig vom anliegenden Eingangssignal die gewünschte Störung hervorrufen. Dabei werden sowohl analytische als auch Ansätze aus dem Bereich der KI, in Form von Variational Autoencodern (VAE), in Betracht gezogen.
Die Übertragbarkeit von Adversarial Attacks wird ebenfalls nachgewiesen, wodurch die Einschränkung auf Whitebox-Angriffe gerechtfertigt ist.
Um den praktischen Nachweis der theoretisch entwickelten Algorithmen führen zu können, werden mehrere Demonstratoren aufgebaut und mit den entwickelten Adversarial Attacks angegriffen. Die Ergebnisse demonstrieren die Effektivität der entwickelten Algorithmen und zeigen auf, welche Angriffsparameter in welcher Situation am effektivsten sind. 
Abschließend werden die Auswirkungen von Interferenzen genauer beleuchtet, um deren Eignung als mögliche Quelle für Adversarial Attacks zu. Die Ergebnisse zeigen, dass als reale Gefahr jedoch ausschließlich Target Simulatoren als Quelle für Adversarial Patches bei Eingriffen in die Funkstrecke berücksichtigt werden müssen.