Sep, 2023

MASTERKEY: 实用的针对说话人验证系统的后门攻击

PDF
TL;DR提出了一种名为 MASTERKEY 的后门攻击，针对智能手机系统中的说话者验证模型进行破坏，通过设计通用后门攻击任意目标说话者，成功率 100％，中毒率为 15％，在 3％中毒率时也能保持 50％的成功率。
speaker verificationbackdoor attackpoisoning attacksuniversal backdoorchannel distortion
发现论文，激发创造
  • 漏洞攻击对讲话人验证

    本文通过设计基于聚类的攻击方案，展示了在训练数据中注入隐藏的后门以感染演讲者验证模型的可能性，并证明了现有的后门攻击无法直接用于演讲者验证。该方法不仅为设计新型攻击提供了新的视角，也为提高验证方法的鲁棒性提供了一个坚实的基础。

    Oct, 2020

  • 基于声纹选择和语音转换的关键词检测后门攻击

    使用 Voiceprint Selection 和 Voice Conversion 的后门攻击方案可以成功地攻击基于深度神经网络的关键词识别系统，从而引起误判。

    Dec, 2022

  • 通过语音转换在深度语音分类中进行后门攻击：伪造真实声音

    利用预训练的语音转换模型生成基于样本的触发器，提高了语音后门攻击的效果和安全性。

    Jun, 2023

  • 交易魔鬼：基于随机投资模型和贝叶斯方法的强韧后门攻击

    通过操纵音频的风格属性来欺骗语音识别系统的策略性投资型后门攻击（MarketBack）被研究，实验结果表明，当污染少于 1％的训练数据时，MarketBack 在七个受害模型中可实现接近 100％的平均攻击成功率。

    Jun, 2024

  • 通过声音元素实现针对语音识别的隐秘后门攻击

    本文提出了利用声调与音色来设计更隐蔽但有效的语音后门攻击方式，通过实验验证了该方法在各种设置下的有效性和隐蔽性。

    Jul, 2023

  • 基于声调增强和声音遮蔽的关键词检测后门攻击

    本文提出了一种基于 Pitch Boosting 和 Sound Masking 的关键词检索（KWS）后门攻击方案（PBSM），实验结果表明可以在污染少于 1% 的训练数据的情况下实现约 90% 的攻击成功率。

    Nov, 2022

  • 嵌入空间中语音验证泛化及欺骗感知

    通过在嵌入空间中利用有限的训练数据来增强简单的后端分类器，我们提出了通用的独立式自动说话人验证（G-SASV）系统，以对抗欺骗攻击，同时避免在测试（认证）阶段单独使用 CM 模块，在 ASVspoof 2019 逻辑访问数据集中，我们相对统计 ASV 后端在合并（真实和欺骗）和欺骗条件下的性能分别最大提高了 36.2％和 49.8％，以等错误率为指标。

    Jan, 2024

  • 声纹鉴别中的数据毒化攻击防御

    该论文基于深度学习，研究语音身份验证系统的安全性问题，并提出了一种新的防御方法 Guardian，利用卷积神经网络鉴别攻击和正常帐户，准确率为 95%。

    Sep, 2022

  • 无监督域自适应的防欺骗说话人验证

    研究如何提高自动说话人验证系统的欺骗稳健性，主要从基于概率线性判别分析的后端分类器入手，并运用三种无监督领域适应技术来优化它。旨在提高系统在逻辑和物理接近情境下的表现，对于后者，尤其是在被重放音频攻击时，针对真实的和伪造的情况，相对改进率分别达到 36.1% 和 5.3% 接近最高点。除此之外，还进行了一些额外的研究，如攻击分析、数据构成和与高斯后端的分数级别的对策系统的集成分析。

    Mar, 2022

  • 基于实用的深度学习的声学侧信道攻击键盘

    通过在智能手机集成的麦克风上进行实际实施最先进的深度学习模型，本文对笔记本电脑键击进行分类，并证明了这些利用现有设备和算法进行的音频信道攻击的实用性。我们讨论了一系列的缓解方法来保护用户。

    Aug, 2023