Kryptonite：一种利用区域聚焦的对抗攻击

随着对抗性机器学习的兴起和日益强大的对抗攻击，利用机器学习能力的应用安全性受到了质疑。在过去几年中，使用深度神经网络（DNN）的深度学习在医疗诊断、安全系统、虚拟助手等多个领域的应用变得极为普遍，因此也更容易暴露并受到攻击。在本文中，我们提出了一项新颖的研究，分析深度学习系统安全性的弱点。我们提出了'Kryptonite'，一种针对图像的对抗攻击。我们显式地提取图像的感兴趣区域（RoI），并利用它向图像添加难以察觉的对抗扰动，以欺骗DNN。我们在多个DNN上测试了我们的攻击，并将结果与最先进的对抗攻击方法进行了比较，如快速梯度符号法（FGSM）、DeepFool（DF）、动量迭代快速梯度符号法（MIFGSM）和投影梯度下降（PGD）。我们获得的结果在导致网络精度最大下降的同时，产生了尽可能小的扰动，并且每个样本所需的时间显著减少。我们针对三种对抗防御技术彻底评估了我们的攻击，令人鼓舞的结果展示了我们攻击的有效性。