卷积神经网络的白盒对抗攻击影响
密码学与安全
2024-10-04 v1 机器学习
神经与进化计算
摘要
自动驾驶车辆导航和医疗诊断是众多领域之一,其中机器学习模型用于图像数据的可靠性和安全性至关重要。我们对卷积神经网络 (Convolutional Neural Networks, CNNs) 针对白盒对抗攻击的易受性进行了全面调查。我们研究了 various 高级攻击方法的影响 -- 快速梯度符号法、基本迭代方法、Jacobbian 基盾图攻击、Carlini & Wagner、投影梯度下降和 DeepFool -- 对 CNN 绩效指标 (如损失、准确率) 的影响,不同对抗技术在提高错误率方面的差异效应,感知图像质量指标 (如 ERGAS、PSNR、SSIM 和 SAM) 与分类绩效之间的关系,以及迭代方法与单步攻击的有效性比较。使用 MNIST、CIFAR-10、CIFAR-100 和 Fashion_MNIST 数据集,我们通过变更 CNN 的超参数来探讨不同攻击对 CNN 绩效指标的影响。本研究为 CNN 针对对抗威胁的鲁棒性提供了见解,指出了脆弱点,并强调了迫切需要开发鲁棒防御机制以确保 CNN 在实际场景中可信部署的紧迫性。
引用
@article{arxiv.2410.02043,
title = {Impact of White-Box Adversarial Attacks on Convolutional Neural Networks},
author = {Rakesh Podder and Sudipto Ghosh},
journal= {arXiv preprint arXiv:2410.02043},
year = {2024}
}