BarkBeetle: 利用故障注入窃取决策树模型
密码学与安全
2025-12-17 v2
摘要
机器学习模型，特别是决策树（DT），因其可解释性和效率而广泛应用于各个领域。然而，随着机器学习模型越来越多地集成到隐私敏感的应用中，关于其保密性的关注度日益增加，尤其是在新兴威胁如模型提取和故障注入攻击的背景下。评估决策树在此类攻击下的脆弱性因此变得重要。在本工作中，我们提出了 BarkBeetle，这是一种 novel 的攻击方法，利用故障注入来提取决策树模型的内部结构信息。BarkBeetle 采用自下而上的恢复策略，通过在特定节点进行有针对性的故障注入来高效推断特征分割和阈值。我们的原型实现表明，BarkBeetle 在评估公开 UCI 数据集上训练的决策树时，所需查询次数显著减少，恢复的结构信息也更多。为验证其实际可行性，我们在树莓派 RP2350 板上实现 BarkBeetle，并使用 Faultier 电压故障注入工具进行故障注入。由于 BarkBeetle 针对通用决策树模型，我们还提供了关于其针对更广泛范围的树基应用（包括数据流分类、决策树变体和密码学方案）的深入讨论。
引用
@article{arxiv.2507.06986,
title = {BarkBeetle: Stealing Decision Tree Models with Fault Injection},
author = {Qifan Wang and Jonas Sander and Minmin Jiang and Thomas Eisenbarth and David Oswald},
journal= {arXiv preprint arXiv:2507.06986},
year = {2025}
}
备注
Accepted by the 21st ACM ASIA Conference on Computer and Communications Security (AsiaCCS 2026)