针对单类序列异常检测模型的后门攻击

由于广泛的应用场景，序列数据上的深度异常检测引起了极大关注。然而，基于深度学习的模型面临一个关键的安全威胁——它们容易受到后门攻击。在本文中，我们通过提出一种新颖的后门攻击策略来探索破坏深度序列异常检测模型。该攻击方法包括两个主要步骤：触发器生成和后门注入。触发器生成是通过从良性正常数据中构造扰动样本来导出不可察觉的触发器，其中扰动样本仍然是正常的。后门注入是适当地注入后门触发器，使得只有带有触发器的样本才会破坏模型。实验结果表明，我们提出的攻击策略通过在两个成熟的单类异常检测模型上注入后门而有效。