分布式计算环境下模型提取攻击与防御综述

模型提取攻击 (MEAs) 威胁现代机器学习系统，通过 enables adversaries to steal models, exposing intellectual property and training data。随着机器学习模型在云端、边缘和联邦学习等分布式计算环境中的部署日益增长，每种部署范式都引入了distinct vulnerabilities and challenges。在没有对分布式环境下 MEAs 的统一视角的情况下，组织面临碎片化防御、不充分的风险评估以及巨大的经济和隐私损失。本次调查的动机是理解云、边缘和联邦部署的独特性如何塑造攻击向量和防御需求。我们系统性地审视了这些环境下攻击方法和防御机制的演变，展示了环境因素如何影响关键领域如自动驾驶、医疗和金融服务中的安全策略。通过综合近期 MEAs 研究的最新进展并讨论当前评估实践的局限性，本次调查为开发健壮且自适应的防御策略提供了必需见解。我们的综合方法突显了在整个分布式计算景观中整合保护措施的重要性，以确保机器学习模型的安全部署。