CUBA：针对深度神经网络的受控无目标后门攻击

近年来，后门攻击已成为深度神经网络面临的关键安全威胁。现有的大多数后门攻击都集中在有目标后门攻击上，其中触发器与特定的恶意行为强相关。各种后门检测方法依赖于这一固有属性，并在识别和缓解此类有目标攻击方面显示出有效的结果。然而，在后门场景中，纯粹的无目标攻击在某种意义上是一种自我削弱，因为目标性正是后门攻击如此强大的原因。鉴于此，我们引入了一种新颖的受控无目标后门攻击（CUBA），它结合了无目标攻击的灵活性与有目标攻击的意图性。当被植入后门的模型遇到后门图像时，会将其分类到攻击者选择的受限目标类别范围内的随机类别中。这种随机性和确定性的结合使得所提出的无目标后门攻击能够原生地规避现有的后门防御方法。为了在受控的灵活性下实现无目标后门攻击，我们建议对带有翻转独热标签的交叉熵损失应用logit归一化。通过在训练期间约束logit，被植入后门的模型将在选定的目标类别上呈现均匀分布，从而实现受控的无目标攻击。大量实验证明了所提出的CUBA在不同数据集上的有效性。