PatchBlock：针对嵌入式 EdgeAI 设备的轻量级对抗性贴纸防御

对抗性攻击是机器学习模型在 EdgeAI 应用中可靠部署的重大挑战，诸如自动驾驶和监控系统等依赖资源受限设备进行实时推断。其中，基于贴纸的对抗性攻击（即应用在物体上的小型恶意贴纸）可误导神经网络作出错误预测，可能导致严重后果。本文提出 PatchBlock，一种轻量级框架，用于检测和中和图像中的对抗性贴纸。该框架利用异常检测和降维技术，识别受对抗噪声影响的区域并抑制其影响。它作为传感器级别的预处理模块，可在 CPU 上高效并行运行于 GPU 推断之外，从而保持系统吞吐量，同时避免额外的 GPU 开销。该框架遵循三阶段管道：将输入分割为数据块（Chunking），通过 redesigned 隔离森林进行异常区域检测（Separating），以及对识别出的异常值应用降维（Mitigating）。PatchBlock 具有模型无关性和贴纸无关性，可 retrofit 到现有管道中，并在传感器输入与下游模型之间无缝集成。在多个神经网络架构、基准数据集、攻击类型以及多样化边缘设备上的评估表明，PatchBlock 在鲁棒性方面始终表现出色，在强大的 Google 对抗性贴纸等攻击下可恢复最高 77% 的模型准确率，同时保持高可移植性和最小的干净准确率损失。此外，PatchBlock 在计算时间和能源消耗方面优于最新防御方法，适用于 EdgeAI 应用。