ObfuNAS：基于神经架构搜索的DNN混淆方法
密码学与安全
2022-08-25 v2 机器学习
摘要
恶意架构提取已成为深度神经网络（DNN）安全的一个关键问题。作为一种防御手段，架构混淆被提出将受害者 DNN 重映射到不同的架构。然而，我们观察到，即使只提取混淆后的 DNN 架构，攻击者仍然可以重新训练一个具有高性能（例如准确率）的替代模型，从而使混淆技术失效。为了缓解这种未被充分探索的脆弱性，我们提出了 ObfuNAS，它将 DNN 架构混淆转化为神经架构搜索（NAS）问题。通过结合保函数混淆策略，ObfuNAS 确保混淆后的 DNN 架构只能达到比受害者更低的准确率。我们使用开源架构数据集（如 NAS-Bench-101 和 NAS-Bench-301）验证了 ObfuNAS 的性能。实验结果表明，ObfuNAS 能够在给定的 FLOPs 约束下成功找到受害者模型的最优掩码，导致攻击者的推理准确率下降高达 2.6%，而 FLOPs 开销仅为 0.14 倍。代码可在 https://github.com/Tongzhou0101/ObfuNAS 获取。
引用
@article{arxiv.2208.08569,
title = {ObfuNAS: A Neural Architecture Search-based DNN Obfuscation Approach},
author = {Tong Zhou and Shaolei Ren and Xiaolin Xu},
journal= {arXiv preprint arXiv:2208.08569},
year = {2022}
}
备注
9 pages