Nov, 2019

围攻电网事件原因分析：一种对抗性机器学习方法

PDF
TL;DR本文探讨了针对数据驱动应用中出现的恶意攻击对卷积神经网络（CNN）事件原因分析框架的影响，并通过实时数字模拟器（RTDS）生成的数据分析了不同攻击类型和数据访问级别下攻击的有效性和防御机制。
data securityadversarial attacksconvolutional neural networkpower gridevent cause analysis
发现论文，激发创造
  • 异步事件驱动数据的对抗性攻击

    该研究提出了一种生成事件数据对抗样本并训练鲁棒模型的算法，通过添加 null 事件与设置时空位置来实现基于梯度的攻击，成功率达到 97.95％，相较于原模型，改进了在对抗事件数据上的鲁棒性。

    Dec, 2021

  • 评估事件识别模型的鲁棒性的对抗方法

    使用物理模态分解方法提取特征进行事件分类，使用可解释的分类器如逻辑回归和梯度提升进行两种事件的区分，研究了对抗攻击对分类器的鲁棒性影响。实验结果表明，相对简单的模型如逻辑回归对对抗攻击更容易受到影响。

    Feb, 2024

  • 针对网络入侵检测系统的逼真对抗攻击建模

    通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

    Jun, 2021

  • 智能电网中基于机器学习的对抗攻击方法研究

    研究探讨了智能电网中机器学习的安全性问题，发现深度神经网络方法易受对抗性扰动影响，并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点，尤其是在故障定位和类型分类方面。

    Mar, 2023

  • CausalAdv：因果视角下的对抗鲁棒性

    本文利用因果分析来建模敌对攻击的产生过程，并定义敌对分布以形式化敌对攻击的直观；通过因果解释，本文提出了一种由 Causal inspired Adversarial distribution alignment 方法，CausalAdv，以消除自然分布和敌对分布之间差异的方法，并证明了该方法的有效性。

    Jun, 2021

  • 对敌对机器学习的阅读调查：敌对攻击及其理解

    深度学习使我们能够高效地训练复杂数据的神经网络。然而，随着研究的增长，神经网络的几个弱点也被曝光。对抗机器学习是一种特定的研究领域，旨在利用和理解导致神经网络因输入接近原始输入而错误分类的一些弱点。提出了一类称为对抗性攻击的算法，用于在不同领域的各种任务上使神经网络错误分类。随着对对抗性攻击的广泛研究，了解对抗性攻击的分类是至关重要的。这将有助于我们以系统性的方式了解弱点，并帮助我们减轻对抗性攻击的影响。本文对现有的对抗性攻击及其不同角度的理解进行了概述，并简要介绍了现有对抗性防御措施及其在减轻对抗性攻击效果方面的局限性。此外，我们讨论了对抗机器学习领域未来研究的方向。

    Aug, 2023

  • 基于数据的黑盒分类器探索性攻击在对抗领域中的应用

    本文提出了一种基于数据推动的黑客攻击方法 —— 基于分类模型的欺骗方法，并通过 Google Cloud Prediction 平台进行了实验验证，发现分类器天生易受攻击，并且可以轻松地进行逃避攻击，这为构建安全的机器学习框架提供了启示。

    Mar, 2017

  • 实时对抗攻击

    本论文提出了一种用于具有流式输入数据的机器学习模型的实时对抗攻击方案，该方案针对针对性地加入扰动来影响模型输出结果。

    May, 2019

  • 网络入侵检测系统对抗性躲避攻击与防御的可行性评估

    该文章回顾了许多现有的针对机器学习模型的对抗攻击，突出了一些尚未解决的挑战，一些特定领域的约束可能会增加制作对抗样本的难度，也强调了如何将这些理论应用到实践的挑战。

    Mar, 2023

  • 攻击何时何地？一种基于因果关系的生成反事实对抗样本的方法

    通过考虑因果生成过程，我们通过因果关系解释深度神经网络脆弱性的源头，给出了理论结果来回答攻击的目标所在。为了更真实地生成对抗性示例，我们提出了 CADE 框架，可以生成反事实的对抗性示例，并在白盒、基于迁移的以及随机干预攻击等各种攻击场景中表现出竞争力。

    Dec, 2023