PointBA：面向三维点云的后门攻击

三维深度学习在包括许多安全关键应用在内的各类任务中日益流行。然而，近期若干工作提出了三维深度模型的安全问题。尽管其中多数考虑对抗攻击，我们指出后门攻击确实是三维深度学习系统更严重的威胁却仍未被探索。我们提出基于统一框架的三维点云后门攻击，该框架利用了三维数据与网络的独特性质。具体而言，我们设计了两种点云攻击方法：毒化标签后门攻击（PointPBA）与干净标签后门攻击（PointCBA）。前者直接且在实践中有效，后者更为复杂，假设存在特定数据审查。攻击算法主要受到以下启发并发展而来：1）近期发现的三维对抗样本表明深度模型在空间变换下的脆弱性；2）所提出的特征解耦技术，其通过优化方法操纵数据特征并具备嵌入新任务的潜力。大量实验显示 PointPBA 在各三维数据集与模型上超过 95% 的成功率，以及更隐蔽的 PointCBA 约 50% 的成功率。我们提出的三维点云后门攻击有望作为提升三维深度模型鲁棒性的基线。