欺诈之敌：信用卡欺诈检测中的可迁移对抗攻击
密码学与安全
2025-08-21 v1 人工智能
摘要
信用卡欺诈检测（CCFD）是机器学习（ML）在金融领域的一项关键应用，准确识别欺诈交易对于减少财务损失至关重要。ML模型已在欺诈检测任务中证明了其有效性，尤其是在处理表格数据集时。尽管对抗攻击在计算机视觉和深度学习领域已被广泛研究，但其对ML模型，特别是那些在CCFD表格数据集上训练的模型的影响，在很大程度上仍未得到探索。这些潜在漏洞对金融行业的安全与稳定构成重大威胁，尤其是在可能造成巨额损失的高价值交易中。为填补这一空白，本文提出了一个整体框架，用于研究CCFD ML模型在不同情况下对抗对抗性扰动的鲁棒性。具体而言，我们将基于梯度的攻击方法在黑白盒对抗攻击设置下应用于表格型信用卡交易数据。我们的发现证实，表格数据同样易受细微扰动的影响，凸显了金融科技从业者亟需提高对ML模型安全性与可信度的认识。此外，通过将基于梯度攻击方法生成的对抗样本迁移至非梯度模型进行的实验也验证了我们的发现。我们的结果表明，此类攻击依然有效，强调了为CCFD算法开发鲁棒防御机制的必要性。
引用
@article{arxiv.2508.14699,
title = {Foe for Fraud: Transferable Adversarial Attacks in Credit Card Fraud Detection},
author = {Jan Lum Fok and Qingwen Zeng and Shiping Chen and Oscar Fawkes and Huaming Chen},
journal= {arXiv preprint arXiv:2508.14699},
year = {2025}
}