针对多元时间序列的对抗攻击
机器学习
2020-04-02 v1 密码学与安全
机器学习
摘要
多元时间序列的分类模型在研究界已变得十分重要，但关于为这些模型生成对抗样本的研究尚不多见。此类对抗样本可能成为安全隐患。本文提出将现有对抗变换网络（ATN）迁移至蒸馏模型上以攻击各类多元时间序列分类模型。所提出的对分类模型的攻击利用蒸馏模型作为模仿被攻击的经典多元时间序列分类模型行为的替代模型。所提方法在 1-最近邻动态时间规整（1-NN DTW）和全卷积网络（FCN）上进行了测试，二者均在 18 个东英吉利大学（UEA）和加州大学河滨分校（UCR）数据集上训练。我们表明两种模型在所有 18 个数据集上均易受攻击。据我们所知，对抗攻击仅在单变量时间序列领域进行过，尚未在多元时间序列上开展。此类对时间序列分类模型的攻击此前从未进行过。此外，我们建议未来开发时间序列分类模型的研究者将对抗数据样本纳入其训练数据集以提升对对抗样本的鲁棒性，并将模型鲁棒性作为评估指标加以考虑。
引用
@article{arxiv.2004.00410,
title = {Adversarial Attacks on Multivariate Time Series},
author = {Samuel Harford and Fazle Karim and Houshang Darabi},
journal= {arXiv preprint arXiv:2004.00410},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1902.10755