输入感知的动态后门攻击

近年来，神经后门攻击被视为深度学习系统的潜在安全威胁。此类系统虽然在干净数据上取得最优性能，但在带有预定义触发器的输入上表现异常。然而，当前后门技术依赖统一的触发器模式，易被现有防御方法检测与缓解。本文提出一种新颖的后门攻击技术，其中触发器随输入不同而变化。为实现该目标，我们实现了由多样性损失驱动的输入感知触发器生成器。采用一种新颖的交叉触发器测试来强制触发器不可复用，使后门验证无法达成。实验表明，我们的方法在多种攻击场景与多个数据集上均高效。我们进一步证明此后门可绕过最先进的防御方法。借助著名神经网络检视器的分析再次证明了所提攻击的隐蔽性。我们的代码公开于 https://github.com/VinAIResearch/input-aware-backdoor-attack-release。