用于深度学习反取证的高置信度对抗样本
计算机视觉与模式识别
2022-01-07 v2 密码学与安全
摘要
对抗样本的可迁移性是将在现实场景中针对基于深度学习(DL)的多媒体取证(MMF)技术施加此类攻击的关键问题。事实上,对抗样本的可迁移性将使得即便在攻击者对受攻击系统不具备完全了解的情况下,也能成功部署反取证攻击。一些初步工作表明,针对基于CNN的图像取证检测器的对抗样本通常不可迁移,至少在使用最流行库中实现的基本攻击版本时如此。在本文中,我们引入一种通用策略来增强攻击强度,并评估当该强度变化时其可迁移性。我们通过实验表明,以更大的失真为代价,这种方式可以大幅提高攻击的可迁移性。我们的研究证实了即便在多媒体取证场景下,对抗样本的存在所带来的安全威胁,从而呼吁新的防御策略以提升基于DL的MMF技术的安全性。
引用
@article{arxiv.2005.06023,
title = {Increased-confidence adversarial examples for deep learning counter-forensics},
author = {Wenjie Li and Benedetta Tondi and Rongrong Ni and Mauro Barni},
journal= {arXiv preprint arXiv:2005.06023},
year = {2022}
}