关于对抗样本针对基于 CNN 的图像取证的可迁移性
密码学与安全
2018-11-06 v1
摘要
近期研究表明，卷积神经网络（CNN）相对容易通过生成所谓的对抗样本来攻击。这种脆弱性也影响基于 CNN 的图像取证工具。深度学习的研究表明对抗样本表现出一定程度的可迁移性，即即使针对非攻击目标所采用的 CNN 模型，它们仍保持部分有效性。这是一个非常强的性质，破坏了 CNN 在面向安全应用中的可用性。本文中，我们研究攻击可迁移性是否也存在于图像取证应用中。具体针对篡改检测的情况，我们分析了若干实验的结果，考虑了用于构建对抗样本的 CNN 与取证分析员所采用的 CNN 之间不同来源的不匹配。分析范围从仅涉及训练数据集不匹配的情况，到攻击者与取证分析员采用不同架构的情况。我们的实验结果表明，在大多数情况下，攻击是不可迁移的，从而至少当攻击者不完美知晓目标检测器时，简化了适当对策的设计。
引用
@article{arxiv.1811.01629,
title = {On the Transferability of Adversarial Examples Against CNN-Based Image Forensics},
author = {Mauro Barni and Kassem Kallas and Ehsan Nowroozi and Benedetta Tondi},
journal= {arXiv preprint arXiv:1811.01629},
year = {2018}
}