
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种随机深度特征选择方法,用于减轻可迁移的对抗性攻击
《IEEE Transactions on Network and Service Management》:A Random Deep Feature Selection Approach to Mitigate Transferable Adversarial Attacks
【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE Transactions on Network and Service Management 5.4
编辑推荐:
机器学习和深度学习正重塑网络、行业及生活方式,但其对抗攻击漏洞仍存。现有防御机制易受高级攻击或局限于特定攻击类型。本研究提出随机深度特征选择方法,有效缓解攻击转移性,提升模型对抗鲁棒性。实验表明该方法对标签翻转攻击防护率超80%,对主流探索性攻击(如DeepFool、FGSM等)防护率超60%,在UNSW-NB15数据集上验证了对抗训练与测试阶段防御效果。
机器学习(ML)和深度学习(DL)通过有效解决各种挑战,在我们的生活中发挥着关键作用,其结果往往与人类相似甚至更好 [1]。它们利用大量数据提供个性化体验、做出智能决策,并自动化各种过程,如导航、自动驾驶、物体和面部识别、恶意软件检测以及各种其他应用 [2]。然而,即使在训练或测试过程中出现微小的干扰,也可能严重影响神经网络(NN)的输出,显著增加错误输出的可能性。这种对操纵的脆弱性促使恶意行为者针对这些网络,从而突显了研究对抗性机器学习(Adv-ML)中漏洞的重要性 [3]。为了实现这一目标,有两种不同的攻击策略:因果攻击和探索性攻击。因果攻击是指攻击者篡改训练集并破坏网络以提供错误的预测,而探索性攻击(也称为规避攻击)是指攻击者在测试阶段针对网络,使其表现出危及网络完整性的行为。尽管在计算机视觉领域对抗性攻击的研究非常广泛,但解决其对网络安全的影晌仍然是一个艰巨的挑战。当前基于人工智能的入侵检测系统(AI-IDS)是基于特征向量的模型,这些模型具有异常检测的能力,但也使系统容易受到对抗性攻击。攻击者可以改变数据包的传输时间或流量持续时间,从而使流量仍然能够通过检测系统。考虑到基于 AI 的 IDS 的日益集成,减轻特征空间中的攻击以增强网络安全变得至关重要。