基于实测的不可感知冒充攻击安全性分析
计算机视觉与模式识别
2020-08-28 v1
摘要
物联网(IoT)的出现带来了网络与物理空间交叉处的新安全挑战。一个典型例子是基于人脸识别(FR)的物联网系统访问控制的脆弱性。虽然先前研究表明基于深度神经网络(DNN)的FR系统(FRS)可能易受不可感知冒充攻击,但此类攻击在广泛场景中的效力尚未得到彻底研究。本文首次提出基于大规模数据集、对基于DNN的FR系统可利用性进行的系统性、广泛性测量研究。我们发现,若以不可感知性为辅助目标,任意冒充攻击(即任意攻击者冒充任意目标)是难以实现的。具体而言,我们表明肤色、性别和年龄等因素对针对特定目标受害者实施攻击的能力有不同程度的影响。我们还研究了构建对攻击者面部不同姿态或视角具有鲁棒性的通用攻击的可行性。我们的结果表明,从攻击者角度看,寻找通用扰动是一个困难得多的问题。最后,我们发现扰动图像在不同DNN模型间泛化性较差。这表明可采取安全对策大幅降低基于DNN的FR系统的可利用性。
引用
@article{arxiv.2008.11772,
title = {Measurement-driven Security Analysis of Imperceptible Impersonation Attacks},
author = {Shasha Li and Karim Khalil and Rameswar Panda and Chengyu Song and Srikanth V. Krishnamurthy and Amit K. Roy-Chowdhury and Ananthram Swami},
journal= {arXiv preprint arXiv:2008.11772},
year = {2020}
}
备注
accepted and appears in ICCCN 2020