在深度学习中建立信任：一个数字取证案例研究
密码学与安全
2018-08-06 v1
摘要
如今，每个案件收集的证据量呈指数级增长，为解决这一问题，取证调查人员正在寻找基于大数据、云服务和深度学习（DL）技术等新技术构建工具的调查流程。因此，所发现工件的准确性也依赖于所用技术的性能，尤其是 DL 模型。近来，深度神经网络（DNN）在分类与识别任务中取得了最先进的性能。在数字取证背景下，DNN 已被应用于网络犯罪调查领域，如儿童虐待调查、恶意软件分类、隐写分析和图像取证。然而，DNN 模型在数字取证背景下的鲁棒性此前从未被研究过。因此，在本研究中，我们设计并实现了一个领域无关的对抗测试框架（ATF）来测试黑盒 DNN 的安全性鲁棒性。通过使用 ATF，我们还系统性地测试了一个用于取证调查的商用 DNN 服务并绕过了检测，而已有发表的方法在对照设置中未能做到。
引用
@article{arxiv.1808.01196,
title = {Enabling Trust in Deep Learning Models: A Digital Forensics Case Study},
author = {Aditya K and Slawomir Grzonkowski and Nhien An Lekhac},
journal= {arXiv preprint arXiv:1808.01196},
year = {2018}
}
备注
6 pages, Presented at 17th IEEE International Conference On Trust, Security And Privacy In Computing And Communications 2018