利用深度自编码器神经网络在众目睽睽下泄露敏感财务会计数据
机器学习
2020-12-15 v1 密码学与安全
计算机视觉与模式识别
摘要
如今，组织在“企业资源规划”（ERP）系统中收集大量敏感信息，例如会计相关交易、客户主数据或战略销售价格信息。此类信息的泄露对企业构成严重威胁，因为相关事件的数量及涉事企业的声誉损害持续增加。与此同时，深度学习研究的发现揭示机器学习模型可能被恶意滥用以创建新的攻击向量。理解此类攻击的本质对（内部）审计与舞弊审查实务愈发重要。尤其需要树立这样一种意识：基于深度学习的隐写技术所实施的舞弊性数据泄露可能被最先进的“计算机辅助审计技术”（CAATs）漏检。本工作中，我们引入一个旨在泄露敏感会计数据的真实世界“威胁模型”。此外，我们展示了一个由三个神经网络构成的深度隐写过程可被训练以将此类数据隐藏于不显眼的“日常”图像中。最后，我们在两个公开可用的真实世界支付数据集上提供了定性与定量评估。
引用
@article{arxiv.2012.07110,
title = {Leaking Sensitive Financial Accounting Data in Plain Sight using Deep Autoencoder Neural Networks},
author = {Marco Schreyer and Chistian Schulze and Damian Borth},
journal= {arXiv preprint arXiv:2012.07110},
year = {2020}
}
备注
8 pages (excl. appendix), 4 Figures, 2 Tables, AAAI-21 Workshop on Knowledge Discovery from Unstructured Data in Financial Services, this paper is the initial accepted version