BadTime：针对多变量长期时间序列预测的有效后门攻击
密码学与安全
2025-11-19 v2
摘要
多变量长期时间序列预测( MLTSF)模型正逐渐部署到气候、金融、交通等关键领域。尽管其重要性日益提升，但针对 MLTSF 模型的安全性防御尚未得到探讨。为弥合这一鸿沟，我们提出 BadTime，首个针对 MLTSF 的有效后门攻击。BadTime 可通过注入细微触发器将数百个未来预测操控至目标模式。BadTime 解决了 MLTSF 特有的两个关键挑战：(i) 在长时程预测中，局部触发器的快速稀释；(ii) 在隐蔽约束下，后门信号的极度稀疏。为克服稀释问题，BadTime 利用变量间相关性、时间滞后和数据驱动初始化设计分布式、滞后感知触发器，确保对长程预测有效影响。为克服稀疏性，它引入混合策略选择有价值被毒样本，并采用解耦的后门训练目标，自适应调整模型对稀疏后门信号的关注度，确保在仅 1% 毒化率下即可可靠学习。大量实验表明，BadTime 在时间序列预测方面显著优于最先进( SOTA)后门攻击，将可攻击时程从最多 12 个时间步提升至 720 个时间步(提升 60 倍)，在目标变量上将 MAE 降低超过 50%，在异常检测下提升隐蔽性超过 3 倍。
引用
@article{arxiv.2508.04189,
title = {BadTime: An Effective Backdoor Attack on Multivariate Long-Term Time Series Forecasting},
author = {Kunlan Xiang and Haomiao Yang and Meng Hao and Wenbo Jiang and Haoxin Wang and Shiyue Huang and Shaofeng Li and Yijing Liu and Ji Guo and Dusit Niyato},
journal= {arXiv preprint arXiv:2508.04189},
year = {2025}
}