意图混淆攻击的可行性研究

意图混淆是一种在对抗情境中常见的策略，使攻击者既能操控目标系统，又能规避责任。然而，这种技术在针对机器学习系统的对抗攻击中却鲜有实现。我们首次提出利用意图混淆生成目标检测器的对抗样本：通过扰动另一个不重叠的物体来干扰目标物体，从而隐藏攻击者的意图目标。我们针对5个主流目标检测器（YOLOv3、SSD、RetinaNet、Faster R-CNN和Cascade R-CNN）进行随机实验，采用有针对性和无针对性攻击，实验结果显示所有模型和攻击方式均成功。我们分析了意图混淆攻击的成功因素，包括目标物体置信度和扰动物体大小。随后，我们证明攻击者可利用这些成功因素提高所有模型和攻击的成功率。最后，我们讨论了主要收获和法律影响。