Attacks 第3页

FedRecover: Recovering from Poisoning Attacks inFederated Learning using Historical Information

0、摘要联邦学习很容易在中毒攻击上中招，恶意客户端通过向服务器发送恶意模型更新来毒害全局模型。现有的防御主要集中在通过健壮的联邦学习方法防止少量恶意客户端毒害全局模型，以及在恶意客户端大量存在时检测恶意客户端。然而，在检测到恶意客户端后，如何从中毒攻击中恢复全局模型仍然是一个开放的挑战。一个简单的解决方案是删除检测到的恶意客户端，并使用剩余的客户端从头训练一个新的全局模型。然而，这种从头开始的恢复

友好的Spider-man·2022-12-29 14:22

【迁移攻击笔记】Curls & Whey: Boosting Black-Box Adversarial Attacks

核心思想：①Curls迭代：梯度下降/上升方向+二分法优化+varience-reduced优化其中，（12）记录先前的对抗以对当前方向产生影响：（15）为二分法，比较简单：②Whey优化：将Curls找出的最优对抗样本中的元素按大小排列，逐一减半观察效果，不变保留操作否则放弃操作：③实验结果

少年芒果君·2022-12-27 09:34

A Survey of Stealth Malware Attacks, Mitigation Measures...2016-IEEE Com.

由于我的关注点是基于流量分析的网络层面的入侵检测，所以只翻译整理了相关的内容。ASurveyofStealthMalwareAttacks,MitigationMeasures,andStepsTowardAutonomousOpenWorldSolutions摘要I介绍IV基于模式的隐形恶意软件对策B行为/启发式分析V面向自适应模型的隐形恶意软件识别A6个有缺陷的假设B一个开集识别框架C用于隐形

_Cat_·2022-12-25 23:31

Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models

PracticalAdversarialAttacksonSpatiotemporalTrafficForecastingModels基于机器学习的交通预测模型利用复杂的时空自相关性来提供城市范围的交通状态的准确预测。然而，现有方法假设一个可靠和无偏的预测环境，这在实际环境中并不总是可用。本文研究了时空流量预测模型的脆弱性，提出了一种实用的对抗时空攻击框架。具体而言，不是同时攻击所有地理分布的数据

西西弗的小蚂蚁·2022-12-24 08:15

论文那些事—NESTEROV ACCELERATED GRADIENT AND SCALEINVARIANCE FOR ADVERSARIAL ATTACKS

NESTEROVACCELERATEDGRADIENTANDSCALEINVARIANCEFORADVERSARIALATTACKS（ICRL2020,NI-FGSM,SIM）1、摘要在本文中，我们从将对抗性例子的生成作为一个优化过程的角度出发，提出了两种提高对抗性例子可转移性的新方法，即Nesterov迭代法快速梯度符号法(NI-FGSM)和缩放不变攻击法(SIM)。NI-FGSM的目标是将Ne

凉茶i·2022-12-23 21:54

【论文笔记】Practical no-box Adversarial Attacks against DNNs

并不擅长自学，也不擅长做笔记…虽然自觉有点丢人，但一点一点见证自己的成长也还不错啦~所以还是把图传一下，万一又有好心的大佬给我指错了呢！

kaguya1004·2022-12-23 21:22

后门防御阅读笔记，Black-box Detection of Backdoor Attacks with Limited Information and Data

论文标题：Black-boxDetectionofBackdoorAttackswithLimitedInformationandData论文单位：THBILab,TsinghuaUniversity,Beijing论文作者：YinpengDong,XiaoYang,JunZhu收录会议：ICCV2021开源代码：未开源有限信息和数据的条件下对后门攻击的黑盒检测（防御）简单总结第一个在计算逆向触发

wujiekd·2022-12-23 18:17

论文_Neural Cleanse: Identifying and Mitigating Backdoor Attacks in Neural Networks

中文翻译地址.注：调研阅读文档时，不需要读这么细，只需要读这篇论文贡献（做了什么），什么方法做的实验（怎么做的），效果如何（结果啥样），有没有创新点（因为啥能发出来的），在此基础上有没有自己想法和创新点，（确定方向）咱这一块能不能借鉴（用别人方法解决自己问题）。

要硕果累累呀·2022-12-23 10:40

后门防御阅读笔记，Neural Cleanse Identifying and Mitigating Backdoor Attacks in Neural Networks

论文标题：NeuralCleanseIdentifyingandMitigatingBackdoorAttacksinNeuralNetworks论文单位：UCSantaBarbara,UniversityofChicago论文作者：BolunWang,YuanshunYao,ShawnShan收录会议：2019IEEESymposiumonSecurityandPrivacy(S&P)开源代码：

wujiekd·2022-12-23 10:40

神经清洗——识别与去除后门：Neural Cleanse: Identifying and Mitigating Backdoor Attacks in Neural Networks

NeuralCleanse:IdentifyingandMitigatingBackdoorAttacksinNeuralNetworks2019IEEESymposiumonSecurityandPrivacy论文地址深度神经网络黑盒的一个基本问题是：无法详尽地测试他的行为。因为神经网络的输入是极高维度的，其输入样本空间非常非常大。这使得神经网络的后门攻击成为可能。这篇论文就是为了判断一个给定的

Jhouery·2022-12-23 10:40

DeepSight: Mitigating Backdoor Attacks in Federated Learning Through Deep Model Inspection论文阅读报告

1摘要联邦学习（FL）允许多个客户在其私有数据上协作训练神经网络（NN）模型，而不会泄露数据。最近，针对FL的几起针对性中毒袭击事件已经出台。这些攻击为生成的模型注入了后门，使得对手控制的输入被错误分类。现有的反后门攻击的对策效率低下，通常只是为了将偏离模型排除在聚合之外。然而，这种方法还删除了具有偏差数据分布的客户机的良性模型，从而导致聚合模型对此类客户机的性能不佳。为了解决这个问题，我们提出了

mentalps·2022-12-23 10:39

Neural Cleanse: Identifying and Mitigating Backdoor Attacks in Neural Networks论文分享

NeuralCleanse:IdentifyingandMitigatingBackdoorAttacksinNeuralNetworks发表会议：IEEESymposiumonSecurityandPrivacy2019会议评级：CCF-A研究背景当时对于DNN的后门攻击已经有了一定的方法，例如BadNet等可以有效的将后门插入到DNN中，使得对于正常的输入神经网络的输出是正确的，而遇到在输入数

m0_56278965·2022-12-23 10:36

学习笔记——Neural Cleanse——Identifying and Mitigating Backdoor Attacks in Neural Networks

神经网络清理-识别和减轻神经网络中的后门攻击背景：深度神经网络（DNN）缺乏透明度（即在训练时无法观察到内部），故易受到后门的攻击，隐藏的关联和触发器会覆盖正常的分类。针对此问题，本文提出了第一个稳健的、通用的DNN后门攻击检测和缓解系统。技术：识别后门并且重建可能的触发点。通过输入过滤器、神经元剪枝和忘却学习来识别多种缓解技术。（在安全领域，DNN被用于恶意软件分类、二进制逆向工程、网络入侵检测

浅唱回忆·2022-12-23 10:36

【Mitigating Voltage Attacks in Multi-Tenant FPGAs 论文笔记】

减轻多租户FPGA中的电压攻击摘要引言内容背景和相关工作INTELSTRATIX10FPGA上的PDN攻击Stratix10PDN特性定位电压下降片上监控和攻击抑制结论和未来工作结论：未来工作作者：GEORGEPROVELENGIOS,UniversityofMassachusettsAmherst,MA,USADANIELHOLCOMB,UniversityofMassachusettsAmhe

Tjyuking·2022-12-23 10:31

基于图神经网络的对抗攻击 Nettack: Adversarial Attacks on Neural Networks for Graph Data

研究意义随着GNN的应用越来越广，在安全非常重要的应用中应用GNN，存在漏洞可能是非常严重的。比如说金融系统和风险管理，在信用评分系统中，欺诈者可以伪造与几个高信用客户的联系，以逃避欺诈检测模型；或者垃圾邮件发送者可以轻松地创建虚假的关注者，向社交网络添加错误的信息，以增加推荐和传播重大新闻的机会，或者操控在线评论和产品网站。因此，我们需要研究对图神经网络的攻击和防御，在我们真正部署一个模型前，应

苏打呀·2022-12-20 14:46

论文阅读：Robust Detection of Machine-induced Audio Attacks in Intelligent Audio Systems with Microphone

基于麦克风阵列的智能音频系统中机器诱发音频攻击的鲁棒检测i.文章地址ii.常见术语iii.文章目录Abstract1.introduction2.RELATEDWORK2.1Machine-inducedAudioAttacks2.2ExistingAttackDetectionStrategies3MULTI-CHANNELAUDIOANALYSIS3.1CharacteristicsofMac

Hermione'·2022-12-20 14:09

BadDet: Backdoor Attacks on Object Detection——面向目标检测的后门攻击

BadDet:BackdoorAttacksonObjectDetection文章目录BadDet:BackdoorAttacksonObjectDetection摘要1介绍2相关工作3背景4方法论4.1后门攻击设置5实验6DetectorCleanse（防御方法）摘要提出了针对目标检测任务的四种后门攻击算法和一种后门防御方法。并证明了微调不能移除后门。1介绍对目标检测任务的后门攻击比图像分类任务

冰羽vee9·2022-12-19 18:00

SoK: The Faults in our ASRs: An Overview of Attacks against Automatic Speech Recognition （题目过长）阅读笔记

目录前言正文总结“精读”笔记IntroductionBackgroundAttacksagainstVPSesAttackthreatmodeltaxonomyExistingattackclassificationDefenseanddetectiontaxonomyDefenseanddetectionclassificationDiscussion前言引用格式：H.Abdullah,K.Wa

Haulyn5·2022-12-14 00:34

KDD2021《TDGIA: Effective Injection Attacks on Graph Neural Networks》论文详解

原文链接：https://arxiv.org/pdf/2106.06663.pdfevasionattack1&2Abstract&Introduction本文作者分析了图注入攻击（GraphInjectionAttack，GIA）设置下的GNN网络的拓扑脆弱性（topologicalvulnerability），在此基础上提出了拓扑缺陷图注入攻击（TopologicalDefectiveGrap

Anonymous-·2022-12-11 18:08

KDD2018《Adversarial Attacks on Neural Networks for Graph Data》论文详解

AdversarialAttacksonNeuralNetworksforGraphData论文链接：https://arxiv.org/pdf/1805.07984.pdfevasionattack&poisoningattackAbstract本文介绍了第一个在属性图上进行对抗攻击的研究，特别关注利用图卷积的思想模型。除了在测试阶段进行攻击，本文进行了更具挑战的poisoningattack（

Anonymous-·2022-12-10 19:42

WWW2020《Adversarial Attacks on Graph Neural Networks via Node Injections：分层增强学习方法》（NIPA）论文详解

论文链接：https://faculty.ist.psu.edu/vhonavar/Papers/www20.pdfpoisoningattack1AbstractandIntroduction本文考虑了一种针对图数据的节点注入中毒攻击（poisoningattack）的形式。对节点注入攻击的关键步骤进行建模，例如，通过马尔可夫决策过程（MDP）在注入的对抗节点和其他节点之间建立链接、选择注入节点

Anonymous-·2022-12-07 10:56

ShadowPLCs A Novel Scheme for Remote Detection of Industrial Process Control Attacks

SHADOWPLCS:一种新的工业过程控制攻击远程检测方案一、摘要二、介绍三、攻击建模（一）对手模型（二）攻击场景四、SHADOWPLCS方案原理（一）规则生成（二）攻击检测①被动检测②主动检测五、实验评估六、总结一、摘要本文提出了一种检测工业过程控制攻击的新方案，称为SHADOWPLCS。该方案首先对PLC控制代码进行自动分析，然后提取PLC的关键参数，包括有效寄存器地址、有效值范围、控制逻

工控小白2021·2022-12-02 10:03

PHYjacking Physical Input Hijacking for Zero-Permission Authorization Attacks on Android

NetworkandDistributedSystemsSecurity(NDSS)Symposium202224-28April2022,SanDiego,CA,USA文章目录研究背景贡献PHYjacking攻击框架PHY劫持攻击的必要步骤（要求）混淆场景的设置技术现有的技术以及存在的缺陷我们提出的新技术安卓保护机制的分析应用程序级别的保护机制系统API提供的保护机制应用程序级别保护的实现缺陷：

天乔巴夏丶·2022-12-01 17:54

对抗样本之黑箱对抗：Practical Black-Box Attacks Against Machine Learning

前言看到篇paper，提供了一个极其厉害的生成对抗样本的黑箱攻击方式，之前的对抗攻击必须要知道受攻击模型的详细信息（包括模型结构参数，训练样本集等），但是本文所要分享的方法，是完全不需要知道这些信息的，只需要可以接触到受攻击模型的判别label即可完成对抗攻击。多么神奇而牛气哄哄的方法，让我们一块膜拜下这篇文章，看看为什么会有效。攻击的限制面对的问题：在不知道受攻击模型的网络结构，参数设置，以及训

于建民·2022-11-29 07:38

机器学习里的攻击-躲避攻击(Evasion attacks)

目录1前言2Evasionattacks逃逸攻击2.1逃逸攻击的应用场景2.2逃逸攻击的攻击模式2.3逃逸攻击的研究方向2.4常见对抗样本生成方式2.4.1基于梯度的攻击2.4.1.1FGSD（Fastgradientsignmethod）[5]2.4.1.2Targetedfastgradientsignmethod(T-FGSM)：2.4.1.3I-FGSD(Iterativegradient

学渣渣渣渣渣·2022-11-29 07:06

【论文学习】《Adversarial Attacks on GMM i-vector based Speaker Verification Systems》

《AdversarialAttacksonGMMi-vectorbasedSpeakerVerificationSystems》论文学习文章目录《AdversarialAttacksonGMMi-vectorbasedSpeakerVerificationSystems》论文学习摘要1介绍2自动说话人验证系统2.1高斯混合模型i-vector提取2.2x-vector提取2.3后端概率线性判别分析

FallenDarkStar·2022-11-29 07:06

DECISION-BASED ADVERSARIAL ATTACKS: RELIABLE ATTACKS AGAINST BLACK-BOX MACHINE LEARNING MODELS 论文解读

Abstract这篇文章中我们介绍了BoundaryAttack,adecision-basedattackthatstartsfromalargeadversarialperturbationandthenseekstoreducetheperturbationwhilestayingadversarial。这种攻击在概念上十分简单，requiresclosetonohyperparameter

你回到了你的家·2022-11-29 07:58

【生成对抗样本】Simple Black-Box Adversarial Attacks on Deep Neural Networks

对深度神经网络的简单黑盒对抗性攻击作者：NarodytskaN，KasiviswanathanS2017年发表在IEEEComputerSocietyConferenceonComputerVisionandPatternRecognitionWorkshops主要内容深度神经网络容易受到精心设计的对抗性干扰，这会导致输入的错误分类。在本文中，我们专注于深度卷积神经网络，并证明即使没有目标网络的任

Shall_ByeBye·2022-11-29 07:27

Simple Black-box Adversarial Attacks

Abstract我们提出了一种有趣的简单方法，用于在黑盒环境中构建对抗性图像。与白盒场景相比，构建黑盒对抗图像对查询预算有额外的限制，而有效的攻击至今仍是一个悬而未决的问题。仅在连续值置信分数的温和假设下，我们的高效查询算法利用了以下简单的迭代原理：我们从预定义的正交基中随机采样向量，并将其添加或减去到目标图像中。尽管简单，但所提出的方法既可以用于无目标攻击，也可以用于有目标攻击，这在两种设置中都

偷懒不学习·2022-11-29 07:23

Defending Against Model Stealing Attacks with Adaptive Misinformation

DefendingAgainstModelStealingAttackswithAdaptiveMisinformation阅读核心：本文提出了一种适应性错误信息的方式来防御模型窃取的攻击。核心思想是对良好用户（模型的训练数据）返回正常模型预测，对恶意用户（输入是OOD，训练数据分布外的数据）时返回错误预测，以此来保障目标模型可用性即准确率和安全之间的平衡。①适应性的错误输出保障了模型的准确率和安

ren2966717445·2022-11-28 14:56

【论文笔记】DELVING INTO TRANSFERABLE ADVERSARIAL EXAMPLES AND BLACK-BOX ATTACKS

【摘要】深层神经网络的一个有趣的特性是存在对抗性样本，它可以在不同的体系结构之间进行转换。这些可转移的通用示例可能严重阻碍基于神经网络的深层次应用。以往的工作主要是利用小规模数据集来研究可移植性。在这项工作中，我们首先对大模型和大规模数据集的可转移性进行了广泛的研究，而且我们也是第一个研究目标敌方示例及其目标标签的可转移性的。我们研究了非针对性和针对性的对抗性例子，并表明虽然可转移的非目标性对抗性

kaguya1004·2022-11-23 13:04

【对抗攻击论文笔记】对抗迁移性：Delving Into Transferable Adversarial Examples And Black-Box Attacks

文章目录论文概述ideamethod详细内容摘要1.介绍2对抗深度学习和可迁移性2.1对抗深度学习问题2.2对抗样本生成的方法2.3评估方法3.非定向对抗样本3.1基于优化3.2基于FGSM4.定向对抗样本5.集成的方法6.几何特征论文概述发表于ICLR2017，论文地址：https://arxiv.org/pdf/1611.02770——深入研究可迁移的对抗样本和黑盒攻击idea迁移性是指一个模

nanyidev·2022-11-23 13:03

CLPA: Clean-Label Poisoning Availability Attacks Using Generative Adversarial Nets 论文阅读

#论文笔记#1.论文信息论文名称CLPA:Clean-LabelPoisoningAvailabilityAttacksUsingGenerativeAdversarialNets作者BingyinZhao(ClemsonUniversity)克莱姆森大学出版社AAAI2022pdf在线pdf代码无cleanlabel的availabilityattack，通过tripletloss训练gener

wwweiyx·2022-11-22 21:53

Towards Class-Oriented Poisoning Attacks Against Neural Networks 论文笔记

#论文笔记#1.论文信息论文名称TowardsClass-OrientedPoisoningAttacksAgainstNeuralNetworks作者BingyinZhao会议/出版社WACV2022pdf在线pdf代码无基于类别的availabilityattacks，不同于原本的availabilityattacks只考虑降低模型的整体准确率，本文还考虑了降低特定类的准确率或迫使模型将其他类

wwweiyx·2022-11-22 21:53

自编码器和GAN的后门攻击——BAAAN: Backdoor Attacks Against Autoencoder and GAN-Based Machine Learning Models

BAAAN:BackdoorAttacksAgainstAutoencoderandGAN-BasedMachineLearningModels论文链接这是一篇arxiv上的论文。之所以看这篇论文，是因为对GAN和AutoEncoder的后门攻击产生兴趣。论文动机后门攻击往往应用于传统的图像分类任务上。在GAN，autoencoder这类生成任务上面临的则往往是成员推理攻击，也就是从模型中获取训练

Jhouery·2022-11-22 21:52

论文笔记 - BadEncoder: Backdoor Attacks to Pre-trained Encoders in Self-Supervised Learning

文章目录自监督学习下的后门攻击基本信息核心贡献基本方法限制条件问题定义符号说明转换思想算法思路基本步骤目标优化函数BadEncoder训练过程实验设计（后续整理实验继续补充）自监督学习下的后门攻击基本信息论文标题BadEncoder:BackdoorAttackstoPre-trainedEncodersinSelf-SupervisedLearning论文作者JinyuanJia,YupeiLi

WBZhang2022·2022-11-22 21:20

BadEncoder: Backdoor Attacks to Pre-trained Encoders in Self-Supervised Learning-基于自监督学习预训练编码器的后门攻击

BadEncoder:BackdoorAttackstoPre-trainedEncodersinSelf-SupervisedLearning摘要本文提出了BadEncoder，这是针对自监督学习的第一个后门攻击方法。用BadEncoder将后门注入到预训练的图像编码器中，基于该编码器进行微调的不同下游任务会继承该后门行为。我们将BadEncoder描述为一个优化问题，提出了一种基于梯度下降的方

冰羽vee9·2022-11-22 20:09

BadEncoder: Backdoor Attacks to Pre-trained Encoders in Self-Supervised Learning 论文笔记

1.论文信息论文名称BadEncoder:BackdoorAttackstoPre-trainedEncodersinSelf-SupervisedLearning作者JinyuanJia∗DukeUniversity出版社InIEEESymposiumonSecurityandPrivacy,2022.(信息安全顶会)pdf在线pdf代码pytorch简介首个针对self-supervisedl

wwweiyx·2022-11-22 20:01

论文阅读-Exploring Frequency Adversarial Attacks for Face Forgery Detection（探索用于人脸伪造检测的频率对抗性攻击）

一、论文信息论文名称：ExploringFrequencyAdversarialAttacksforFaceForgeryDetection会议：CVPR2022作者团队：二、动机虽然现有的人脸伪造分类器在检测伪造图像取得的性能不错，但很容易受到在像素上注入不可感知的扰动的对抗例子的攻击，同时许多人脸伪造检测器总是利用真假人脸之间的频率差异作为关键线索，本文提出一种针对人脸伪造检测器的频率对抗性攻

完美屁桃·2022-11-21 18:23

Robust Physical-World Attacks on Deep Learning Visual Classification

作者：19届lz论文：《RobustPhysical-WorldAttacksonDeepLearningVisualClassification》问题最近的研究表明，最先进的深度神经网络(DNN)容易受到对抗性示例的攻击，这是由于输入中添加了小幅度的扰动。鉴于新兴物理系统在安全关键情况下使用DNN，对抗性示例可能会误导这些系统并导致危险情况。因此，了解物理世界中的对抗性示例是开发弹性学习算法的重

中南大学苹果实验室·2022-11-21 00:20

Cross-Modal Transferable Adversarial Attacks from Images to Videos

本文研究了对抗扰动在不同模式下的可迁移性，即利用白盒图像模型上生成的对抗扰动来攻击黑盒模型。具体来说，由于观察到图像和视频帧之间的低级特征空间相似，本文提出了一种简单而有效的跨模态攻击方法，称为图像到视频攻击（I2V），I2V通过最小化来自对抗性和良性样本的预训练图像模型的特征之间的余弦相似性来生成对抗帧，然后结合生成的对抗帧对视频识别模型执行黑盒攻击。本文实验结果也证明了跨模态对抗攻击的可行性。

你今天论文了吗·2022-11-20 19:10

Label-Only Model Inversion Attacks via Boundary Repulsion

本文提出了一种边界排斥模型反转：BERP-MI，该模型只使用目标模型预测标签反转私有训练数据，算法的关键思想是评估模型在球体上的预测标签，然后估计到达目标类质心的方向。文章的主要思想与白盒类似，仍然尝试在目标模型下合成目标类最大可能性输入，然而只有在标签的设置下，不能直接计算梯度信息并利用他来知道数据综合，本文认为解决这个挑战的关键见解就是给定类的高可能性区域通常是位于类的中心，远离决策边界，本文

你今天论文了吗·2022-11-20 19:39

Improving Adversarial Transferability via Neuron Attribution-Based Attacks

在本文中，我们提出了基于神经元归因的攻击(NAA)，它通过更准确的神经元重要性估计来进行特征级攻击。具体来说，我们首先将模型的输出完全归因于中间层中的每个神经元。然后，我们推导出神经元属性的近似方案，以极大地减少计算开销。最后，我们根据归因结果对神经元进行加权，并发起特征级攻击。广泛的实验证实了我们的方法在最先进的基准测试中的优越性。x:初始图片z：干净图像对应的真实标签:分类器模型，：输入图像x

你今天论文了吗·2022-11-20 19:39

【文献阅读】Label Inference Attacks Against Vertical Federated Learning

【文献阅读】LabelInferenceAttacksAgainstVerticalFederatedLearning这篇文章提出了三种针对纵向联邦学习的标签推理攻击：被动标签推理攻击（补全本地模型使之具有推理能力）主动标签推理攻击（主动地增加本地模型在全局的权重）直接标签推理攻击（直接通过梯度符号判断标签）并利用常见的VFL防御方法对本文提出的攻击手段进行了测试，结果表明本文提出的攻击手段具有良

牛了个牛·2022-11-20 18:43

[阅读笔记] 联邦学习攻防综述 An Overview of Federated Deep Learning Privacy Attacks and Defensive Strategies

✍️[阅读笔记]AnOverviewofFederatedDeepLearningPrivacyAttacksandDefensiveStrategies本文是一篇关于联邦学习的隐私攻击和防御策略的综述文章，作者2020年挂在CoRR上。‍♂️张同学[email protected]有问题请联系我~这里是目录呀~✍️[阅读笔记]AnOverviewofFederatedDeepLear

文三路张同学·2022-11-20 18:11

Adversarial Attacks on Speaker Recognition Systems》

《WhoisRealBob?AdversarialAttacksonSpeakerRecognitionSystems》论文学习文章目录《WhoisRealBob?AdversarialAttacksonSpeakerRecognitionSystems》论文学习摘要I介绍II背景II-A说话人识别系统(SRS)II-B威胁模型III方法III-A动机III-B设计理念III-C我们的攻击概述:F

FallenDarkStar·2022-11-20 01:31

Efficient Decision-based Black-box Adversarial Attacks on Face Recognition论文解读

近年来，人脸识别取得了飞速的发展，广泛应用于各种场景，但现实中，系统遭到攻击往往是不确定性的，如何增加系统的对抗性，提高鲁棒性是研究的重点。当前，对抗性攻击可以针对深度神经网络模型的“弱点”进行优化，提高鲁棒性。只是目前被熟知的大多是白盒攻击，真正接近现实场景的黑盒攻击鲜被关注。EfficientDecision-basedBlack-boxAdversarialAttacksonFaceReco

AlbertHUBU·2022-11-20 01:07

Efficient Decision-based Black-box Adversarial Attacks on Face Recognition

EfficientDecision-basedBlack-boxAdversarialAttacksonFaceRecognition基于决策的人脸识别黑箱对抗攻击算法Abstract近年来，由于深度卷积神经网络（CNN）的巨大改进，人脸识别取得了显着进展。然而，深度CNN容易受到对抗性示例的影响，这可能会在具有安全敏感目的的现实世界人脸识别应用程序中造成致命的后果。对抗性攻击被广泛研究，因为它们

一位美女程序员·2022-11-20 01:37

detecting-attacks-web-applications-log-files

detecting-attacks-web-applications-log-files：1.Abstract:2.Introduction:3.AttacksonWebApplications:3.1Webserverlogfiles

foolisheddy·2022-11-17 11:26

Simulating Unknown Target Models for Query-Efficient Black-box Attacks

SimulatingUnknownTargetModelsforQuery-EfficientBlack-boxAttacks针对查询效率黑盒攻击的未知目标模型模拟https://github.com/machanic/SimulatorAttackabstract为了研究深度神经网络的安全问题，已经提出了许多对抗性攻击方法。在黑箱设置下，当前模型窃取攻击训练一个替代模型来伪造目标模型的功能。然而

一位美女程序员·2022-10-03 07:30

推荐频道

Attacks