数据无关后门攻击

后门攻击旨在植入后门，使其对具有攻击者选择性后门触发器的任何输入预测为攻击者选择的目标类别。现有后门攻击需要或通过重新训练带有一些干净数据的分类器，或修改模型的体系结构。结果是：1) 在没有干净数据时不可应用，2) 当模型较大时效率较低，3) 由于体系结构更改而不够隐蔽。本文提出了 DFBA，即一种无需重新训练且无数据无需更改模型体系结构的新型后门攻击。技术上，我们的方法修改分类器的少数参数以植入后门。通过理论分析，我们验证了在温和假设下，我们植入的后门可被各种最先进防御检测和移除。我们在多个数据集上的评估进一步表明，我们植入的后门：1) 造成可忽略的分类损失，2) 实现100%攻击成功率，3) 绕过六项现有最先进防御。此外，我们与一种最先进的非数据无关后门攻击进行比较，表明我们的攻击在各种防御下更为隐蔽且更有效，同时实现的分类准确率损失更小。