重新审视频域中时间序列分类的后门攻击
机器学习
2025-05-20 v3 人工智能
密码学与安全
摘要
时间序列分类（TSC）是现代Web应用的基石，支撑着金融数据分析、网络流量监控和用户行为分析等任务。近年来，深度神经网络（DNNs）极大地提升了这些关键领域中TSC模型的性能。然而，DNNs容易受到后门攻击，攻击者可以隐蔽地将触发器植入模型以诱导恶意结果。针对基于DNN的TSC模型的现有后门攻击仍然较为基础。特别是，早期方法借鉴了计算机视觉中的触发器设计，这对时间序列数据无效。更近期的方法利用生成模型进行触发器生成，但代价是显著的计算复杂度。在本工作中，我们分析了现有攻击的局限性并引入了一种增强方法FreqBack。借鉴DNN模型本质上捕获时间序列数据中频域特征这一事实，我们识别出频域中不恰当的扰动是攻击无效的根本原因。为此，我们提出通过频域分析来有效且高效地生成触发器。FreqBack在五个模型和八个数据集上表现出显著性能，实现了超过90%的攻击成功率，同时在干净数据上保持不到3%的模型准确率下降。
引用
@article{arxiv.2503.09712,
title = {Revisiting Backdoor Attacks on Time Series Classification in the Frequency Domain},
author = {Yuanmin Huang and Mi Zhang and Zhaoxiang Wang and Wenxuan Li and Min Yang},
journal= {arXiv preprint arXiv:2503.09712},
year = {2025}
}
备注
WWW 2025 (Oral)