BACKTIME：针对多变量时间序列预测的后门攻击
机器学习
2024-10-04 v1 人工智能
密码学与安全
摘要
多变量时间序列（MTS）预测是诸多实际应用场景中的基础任务，如交通、气候和流行病学。尽管已developed众多强大的深度学习模型用于该任务，但鲜有工作探讨MTS预测模型对恶意攻击的鲁性，这对于其在高风险场景中可信赖的应用至关重要。为填补这一空白，我们深入研究了针对MTS预测模型的后门攻击，提出了一种有效的攻击方法，称为BackTime。通过微妙地注入少量隐蔽的触发器到MTS数据中，BackTime能够根据攻击者的意图改变预测结果。具体而言，BackTime首先识别数据中具有攻击性的时间戳进行投毒，然后通过基于GNN的触发器生成器求解双层优化问题来自适应合成隐蔽且有效的触发器。跨越多个数据集和最先进的MTS预测模型的广泛实验表明，BackTime攻击在有效性、通用性和隐蔽性方面均表现出色。代码已公开于\url{https://github.com/xiaolin-cs/BackTime}。
引用
@article{arxiv.2410.02195,
title = {BACKTIME: Backdoor Attacks on Multivariate Time Series Forecasting},
author = {Xiao Lin and Zhining Liu and Dongqi Fu and Ruizhong Qiu and Hanghang Tong},
journal= {arXiv preprint arXiv:2410.02195},
year = {2024}
}
备注
23 pages. Neurips 2024