ZeBRA：基于零数据重复位翻转攻击精确摧毁神经网络
机器学习
2021-11-19 v2 密码学与安全
摘要
在本文中，我们提出基于零数据的重复位翻转攻击（ZeBRA），其通过合成自身的攻击数据集来精确摧毁深度神经网络（DNNs）。许多先前的对抗权重攻击工作不仅需要权重参数，还需要训练或测试数据集来搜索待攻击的脆弱位。我们提出利用受害 DNN 模型中批归一化层的统计量来合成名为蒸馏目标数据的攻击数据集。借助蒸馏目标数据，我们的 ZeBRA 算法可在不访问训练或测试数据集的情况下搜索模型中的脆弱位。因此，我们的方法使得对抗权重攻击对 DNN 的安全性更具致命性。我们的实验结果表明，与先前的攻击方法相比，摧毁 DNN 平均所需的位翻转数量在 CIFAR-10 上减少 2.0 倍，在 ImageNet 上减少 1.6 倍。我们的代码可在 https://github.com/pdh930105/ZeBRA 获取。
引用
@article{arxiv.2111.01080,
title = {ZeBRA: Precisely Destroying Neural Networks with Zero-Data Based Repeated Bit Flip Attack},
author = {Dahoon Park and Kon-Woo Kwon and Sunghoon Im and Jaeha Kung},
journal= {arXiv preprint arXiv:2111.01080},
year = {2021}
}
备注
14 pages, 3 figures, 5 tables, Accepted at British Machine Vision Conference (BMVC) 2021