BadViM：针对视觉Mamba模型的后门攻击
密码学与安全
2025-07-02 v1 人工智能
计算机视觉与模式识别
摘要
视觉状态空间模型(SSM)，特别是类似Vision Mamba(ViM)的架构，正在成为Vision Transformer(ViT)的有前景替代方案。然而，针对这类新型架构的安全性影响，尤其是其对后门攻击的脆弱性，仍严重未被探讨。后门攻击旨在将隐藏触发器嵌入受害模型，使其在包含这些触发器的输入上误分类，而在干净输入上保持正常行为。本文针对ViM的后门攻击脆弱性进行了调查，提出了BadViM——一个专为Vision Mamba设计的新型后门攻击框架。我们提出的BadViM利用共振频率触发器(RFT)，利用受害模型的频率敏感性模式创建隐形、分布式触发器。为最大化攻击效能，我们提出了隐藏状态对齐损失， strategically manipulates 模型内部表示，通过对齐后门图像与目标类别的隐藏状态来实现。大量实验结果表明，BadViM在保持干净数据准确率的同时，实现了优越的攻击成功率。与常规后门攻击不同，BadViM对PatchDrop、PatchShuffle和JPEG压缩等常见防御措施表现出色，展现出显著的抗性。
引用
@article{arxiv.2507.00577,
title = {BadViM: Backdoor Attack against Vision Mamba},
author = {Yinghao Wu and Liyan Zhang},
journal= {arXiv preprint arXiv:2507.00577},
year = {2025}
}