面向物联网系统的对比式持续学习的后门攻击
机器学习
2026-02-16 v1 密码学与安全
网络与互联网体系结构
摘要
物联网 (IoT) 系统越来越依赖持续学习以适应非平稳环境。这些环境可能包括传感器漂移、用户行为变化、设备老化以及对手动态等因素。对比式持续学习 (CCL) 将对比表示学习与增量适应相结合，使其能够在任务和域之间实现稳健的特征重用。然而，由于对比目标的几何特性，结合基于回放的再训练和稳定性保持正则化，CCL 引入了新的安全漏洞。值得注意的是，后门攻击可以利用嵌入对齐和回放强化，植入持久的恶意行为，这些行为在更新和部署循环中能够持续存活。本文提供了对 CCL 在物联网系统中后门攻击的全面分析。我们形式化了嵌入层攻击的目标，检查了独特于物联网部署的持久性机制，并开发了针对物联网的分层分类法。此外，我们比较了 various learning paradigm 中的漏洞，并在物联网约束下（包括有限内存、边缘计算和联邦聚合）评估了防御策略。我们的发现表明，尽管 CCL 对增强物联网智能适应性有效，但如果不充分安全，可能会提升长期存活的表示层威胁。
引用
@article{arxiv.2602.13062,
title = {Backdoor Attacks on Contrastive Continual Learning for IoT Systems},
author = {Alfous Tim and Kuniyilh Simi D},
journal= {arXiv preprint arXiv:2602.13062},
year = {2026}
}