Curie：一种保护 SVM 分类器免受投毒攻击的方法
密码学与安全
2016-06-08 v2 机器学习
摘要
机器学习被用于许多安全相关应用，例如生物特征用户认证、说话人识别等。一种针对机器学习的因果完整性攻击，称为投毒攻击，其工作原理是向训练数据中注入特制的数据点，以提高分类器的假阳性率。在生物特征认证的背景下，这意味着更多入侵者将被分类为有效用户；而在说话人识别系统中，用户 A 将被分类为用户 B。本文研究了针对支持向量机 (SVM) 的投毒攻击，并提出了一种保护 SVM 分类器免受投毒攻击的方法——Curie。该方法的基本思想是识别出攻击者注入的投毒数据点并将其滤除。我们的方法轻量级，易于集成到现有系统中。实验结果表明，该方法在滤除投毒数据方面效果显著。
引用
@article{arxiv.1606.01584,
title = {Curie: A method for protecting SVM Classifier from Poisoning Attack},
author = {Ricky Laishram and Vir Virander Phoha},
journal= {arXiv preprint arXiv:1606.01584},
year = {2016}
}
备注
19 pages, 10 figures