QuRA：深度学习模型量化中的舍入引导后门注入
密码学与安全
2025-10-14 v1 人工智能
机器学习
摘要
模型量化是在资源受限环境中部署深度学习模型的一种流行技术。然而，它也可能引入先前被忽视的安全风险。在这项工作中，我们提出了QuRA，一种利用模型量化来嵌入恶意行为的新型后门攻击。与依赖训练数据投毒或模型训练操纵的传统后门攻击不同，QuRA仅通过量化操作起作用。具体来说，QuRA首先采用一种新颖的权重选择策略来识别影响后门目标的关键权重（同时以保持模型整体性能为目标）。然后，通过优化这些权重的舍入方向，我们在不降低准确率的情况下跨模型层放大了后门效应。大量实验表明，QuRA在大多数情况下实现了接近100%的攻击成功率，且性能下降可忽略不计。此外，我们证明QuRA能够适应并绕过现有的后门防御，凸显了其威胁潜力。我们的发现揭示了广泛使用的模型量化过程中的关键漏洞，强调了需要更稳健的安全措施。我们的实现可在https://github.com/cxx122/QuRA获取。
引用
@article{arxiv.2510.09647,
title = {Rounding-Guided Backdoor Injection in Deep Learning Model Quantization},
author = {Xiangxiang Chen and Peixin Zhang and Jun Sun and Wenhai Wang and Jingyi Wang},
journal= {arXiv preprint arXiv:2510.09647},
year = {2025}
}
备注
This paper is to appear in NDSS 2026