Oct, 2023

面向元宇宙的强鲁棒对抗检测与去活化方法

PDF
TL;DR本文提出了一种对抗性检测与停用方法来限制和隔离潜在的恶意参与者的访问，隔离和禁用生成对抗网络（GAN）攻击或受到威胁梯度的有害反向传播，通过启用嵌入式防火墙的低成本分支来迅速检查接收到的梯度，从而有效地防止有害访问并保护现有模型。
metaverseartificial intelligencecollaborative deep learningsecurity weaknessesadversary detection
发现论文，激发创造
  • GAN 下的深度模型：来自协作深度学习的信息泄露

    本文研究了协作深度学习的隐私问题以及差分隐私技术的应用，结果发现目前的方法都无法保护参与者的训练数据隐私，因为我们提出了一种基于生成对抗网络的攻击方法。

    Feb, 2017

  • 增强深度学习入侵检测系统的对抗鲁棒性的简单框架

    提出了一种新颖的 IDS 结构，它通过结合传统机器学习模型和深度学习模型来增强 IDS 对抗敌对攻击的鲁棒性，该结构包含 DL-based IDS、adversarial example detector 和 ML-based IDS 三个组件，并使用 DL 模型高预测准确性和 DL 模型与 ML 模型之间的低攻击可转移性来改善整个系统的鲁棒性。实验证明，在遭受对抗攻击时，该 IDS 系统在预测性能方面显著提高，高准确率，资源消耗低。

    Dec, 2023

  • 基于 GAN 的数据污染框架用于对抗垂直联邦学习中的异常检测

    在垂直联邦学习中，通过保护数据隐私，商业实体共同训练一个模型。然而，恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战，本文引入了一种创新的端到端毒化框架 P-GAN。同时，我们还开发了一种基于深度自编码器（DAE）的异常检测算法，为垂直联邦学习情景提供了强大的防御机制。通过大量实验，我们评估了 P-GAN 和 DAE 的效能，并进一步分析了影响它们性能的因素。

    Jan, 2024

  • MetaAdvDet：面向演化型对抗攻击的鲁棒性检测

    通过元学习方法构建的双网络框架，旨在解决深度神经网络在遇到少量样本的新对抗攻击时检测精确度低的问题。在 CIFAR-10，MNIST 和 Fashion-MNIST 三个数据集上实验表明，该方法相比于传统的对抗攻击检测方法具有更高的有效性。

    Aug, 2019

  • 具有对抗鲁棒性的深度神经网络及其在恶意软件检测中的应用

    提出了一种新的对抗样本解决方案，该方案通过随机破坏样本中的特征，阻止攻击者构建有影响力的对抗样本，从而显著提高深度神经网络对抗样本的鲁棒性，同时保持高分类准确性。

    Oct, 2016

  • 对基于集成学习的 Windows PE 恶意软件检测器的对抗样本有效性研究

    机器学习在网络安全领域，尤其是恶意软件检测和预防方面引起了越来越多的关注和兴趣。本研究提出了一种通过结合生成对抗网络（GANs）和强化学习（RL）来应对合集学习型检测器的变异系统，克服了现有模型的局限性。实验证明，该模型在保持可执行文件格式、可执行性和恶意性方面取得了一定的成功率。

    Sep, 2023

  • 基于可解释的深度强化学习的无人机导航与规划中的鲁棒性对抗攻击检测

    采用可解释的深度学习方法为指导和规划的无人机构建了一个仿真环境，其中包括障碍和对抗性攻击，并建立了对此的对抗性攻击检测器

    Jun, 2022

  • ATWM: 对抗训练防御对抗恶意软件

    本文提出了一种基于对抗训练的对抗恶意软件防御方法，通过对预处理的简单对抗样本进行防御，提高了模型的对抗防御能力，在两组数据集的三种攻击方法中表现良好，且不影响模型准确性。

    Jul, 2023

  • 基于深度强化学习的移动边缘对抗检测在数字孪生与元宇宙中的应用

    本研究旨在解决互联网车联网拍摄实时场景并将其投入虚拟现实的实时数字双生技术中，从而应用于增强现实辅助驾驶；同时，针对数字双生技术招致了对手攻击的问题，提出了一种基于异构行动近端策略优化（HAPPO）算法的解决方法。实验结果表明，HAPPO 在关键指标上优于基准模型。

    Mar, 2023

  • 深度神经网络模型的对抗样本检测：回顾与实验比较

    本文主要研究了针对神经网络分类器的测试时间攻击检测方法，并在不同数据集和场景下提供了八种最先进的检测器的实验结果，为此研究方向提供了挑战和未来的展望。

    May, 2021