DP-TRAE：一种用于图像隐私保护的双阶段合并可迁移可逆对抗样本方法
密码学与安全
2025-05-13 v1 人工智能
机器学习
摘要
在数字安全领域，可逆对抗样本（RAE）结合对抗攻击与可逆数据隐藏技术，有效保护敏感数据并防止恶意深度神经网络（DNN）的未经授权分析。然而，现有的RAE技术主要聚焦于白盒攻击，缺乏对其在黑盒场景下有效性的全面评估。这一限制阻碍了其在复杂、动态环境中的广泛应用。此外，传统黑盒攻击通常以可迁移性差和查询成本高为特征，显著限制了其实际应用价值。为应对这些挑战，我们提出了双阶段合并可迁移可逆攻击方法（DP-TRAE），该方法在白盒模型中生成高可迁移性的初始对抗扰动，并采用记忆增强的黑盒策略有效误导目标模型。实验结果表明了我们方法的优越性，在黑盒场景下实现了99.0%的攻击成功率和100%的恢复率，突显了其在隐私保护方面的鲁棒性。此外，我们成功对商业模型实施了黑盒攻击，进一步证实了该方法在实际应用中的潜力。
引用
@article{arxiv.2505.06860,
title = {DP-TRAE: A Dual-Phase Merging Transferable Reversible Adversarial Example for Image Privacy Protection},
author = {Xia Du and Jiajie Zhu and Jizhe Zhou and Chi-man Pun and Zheng Lin and Cong Wu and Zhe Chen and Jun Luo},
journal= {arXiv preprint arXiv:2505.06860},
year = {2025}
}
备注
12 pages, 5 figures