基于对比学习的深度神经网络故障注入攻击检测与恢复
机器学习
2024-01-31 v1 人工智能
密码学与安全
计算机视觉与模式识别
摘要
深度神经网络（DNN）模型在作为推理引擎部署到执行设备上时，容易受到故障注入攻击（FIAs），这些攻击会操纵模型参数以破坏推理执行，导致灾难性的性能下降。本研究将视觉表示的对比学习（CL），即一种自监督学习方法，引入深度学习训练和推理流程，以实现DNN推理引擎在FIA下的自我恢复能力。我们提出的基于CL的FIA检测与恢复（CFDR）框架具有以下特点：（i）仅需单批次测试数据即可进行实时检测；（ii）即使仅使用少量无标签测试数据也能实现快速有效的恢复。在CIFAR-10数据集上针对多种类型的FIA进行评估，我们的CFDR框架显示出良好的检测与恢复效果。
引用
@article{arxiv.2401.16766,
title = {Detection and Recovery Against Deep Neural Network Fault Injection Attacks Based on Contrastive Learning},
author = {Chenan Wang and Pu Zhao and Siyue Wang and Xue Lin},
journal= {arXiv preprint arXiv:2401.16766},
year = {2024}
}
备注
Published in AdvML 2021