DeepCloak：以对抗样本构造作为隐藏进程的防御手段
密码学与安全
2020-04-24 v2
摘要
过去十年中，侧信道已被证明对现代计算系统构成重大且实际的威胁。近期的攻击均利用了底层的共享硬件。尽管切实可行，发动此类复杂攻击仍类似于在拥挤火车站窃听私人对话。攻击者须付出大量人工，或使用 AI 系统自动化该过程。近期学术文献指向了后一选项。凭借廉价算力的丰富与 AI 的进步，自动化此类任务颇具优势。然而，通过使用 AI 系统，恶意方也继承了它们的弱点。其中一个弱点无疑是对抗样本的脆弱性。与既往文献相反，我们首次提出将对抗学习用作防御工具，以混淆并掩蔽私有信息。我们通过首先在不同进程的泄漏迹上训练 CNN 及其他机器学习分类器来论证该方法的可行性。在训练出高精度模型（99+% 准确率）后，我们考察它们对抗对抗学习方法的抵抗力。通过对输入迹施加最小扰动，防御者的对抗流量可作为附件随原进程运行，并使其规避恶意分类器。最后，我们考察攻击者能否通过采用对抗防御方法（即对抗重训练与防御性蒸馏）来保护其分类器模型。我们的结果表明，即便面对采用此类技术的智能对手，所测试的 10 种对抗学习方法仍均能成功构造对抗扰动，且所提出的隐藏方法取得成功。
引用
@article{arxiv.1808.01352,
title = {DeepCloak: Adversarial Crafting As a Defensive Measure to Cloak Processes},
author = {Mehmet Sinan Inci and Thomas Eisenbarth and Berk Sunar},
journal= {arXiv preprint arXiv:1808.01352},
year = {2020}
}
备注
12 pages, 8 figures, published at DYNAMICS 2019