AdvEst：用于说话人识别对抗攻击分类与检测的对扰估计
音频与语音处理
2022-04-11 v1 密码学与安全
声音
摘要
对抗攻击对最先进的说话人识别系统构成严重安全威胁，因此提出针对它们的对策至关重要。基于我们之前使用表示学习来分类和检测对抗攻击的工作，我们提出一种利用 AdvEst（一种估计对抗扰动的方法）的改进方案。首先，我们证明了如下主张：与使用对抗样本（由干净信号与对抗扰动组合而成）相比，使用对抗扰动训练表示学习网络更有利，因为它消除了无关信息。在推理时，我们使用时域去噪器从对抗样本中估计对抗扰动。利用我们改进的表示学习方法获得攻击嵌入（签名），我们评估了它们在三个应用中的性能：已知攻击分类、攻击验证和未知攻击检测。我们表明，文献中的常见攻击（快速梯度符号法（FGSM）、投影梯度下降（PGD）、带有不同 威胁模型的 Carlini-Wagner（CW））可被分类，准确率约 96%。我们还能以约 9% 的等错误率（EER）检测未知攻击，较我们之前的工作有约 12% 的绝对提升。
引用
@article{arxiv.2204.03848,
title = {AdvEst: Adversarial Perturbation Estimation to Classify and Detect Adversarial Attacks against Speaker Identification},
author = {Sonal Joshi and Saurabh Kataria and Jesus Villalba and Najim Dehak},
journal= {arXiv preprint arXiv:2204.03848},
year = {2022}
}
备注
Submitted to InterSpeech 2022