EO-VLM：利用 VLM 指导的视觉模型能源过载攻击
计算机视觉与模式识别
2025-04-14 v1 密码学与安全
摘要
视觉模型正在被部署于自动驾驶和监控摄像头等关键应用中，然而它们仍然容易受到耗资源的攻击。本文引入一种新型能源过载攻击，利用视觉语言模型（VLM）提示生成针对视觉模型的对抗图像。这些图像虽然对人类感知而言不可见，却显著增加了各种视觉模型的 GPU 能源消耗，威胁了这些系统的可用性。我们的框架 EO-VLM（Energy Overload via VLM）是模型无关的，即不受目标视觉模型的架构或类型的限制。通过利用类似 DALL-E 3 之类的 VLM 缺乏安全过滤器的漏洞，我们在无需先验知识或目标视觉模型内部结构的情况下创建对抗噪声图像。我们的实验表明，能源消耗可提高最高 50%，揭示了当前视觉模型存在的关键漏洞。
引用
@article{arxiv.2504.08205,
title = {EO-VLM: VLM-Guided Energy Overload Attacks on Vision Models},
author = {Minjae Seo and Myoungsung You and Junhee Lee and Jaehan Kim and Hwanjo Heo and Jintae Oh and Jinwoo Kim},
journal= {arXiv preprint arXiv:2504.08205},
year = {2025}
}
备注
Presented as a poster at ACSAC 2024