知识卡片
黑箱攻击与迁移性
白箱评估假设攻击者可访问模型结构和梯度;黑箱评估限制这些信息,仍可能通过查询或代理模型构造可迁移的扰动。迁移成功率是具体模型、数据、预算及攻击目标下的实测结果,不能推广为必然成功。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 对抗攻击 12.4 白箱攻击与黑箱攻击 · 查看原书依据
其实我们想简单了,因为我们的模型参数是可以通过一些方法反推出来的,这叫黑箱攻击.具体来讲,如果我们无法获知一个模型中的具体参数,但我们知道它是用什么样的训练数据训练出来的,我们就可以训练一个代理网络,用代理网络来模仿我们想要攻击的对象.如果它们都使用同样的训练数据训练模型,也许它们就会有一定的相似度.如果代理网络与要攻击的网络有一定程度的相似性,我们只要对代理网络进行攻击,也许要攻击的网络也会被攻击成功. 整个过程如图12.9所示.
参考来源
- 位置:《深度学习详解》第12章《对抗攻击》12.4 白箱攻击与黑箱攻击(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter12.xhtml`)
- 结论依据:原书说明攻击优化、迁移和防御;效果限定在具体威胁模型内。
- 原始内容:其实我们想简单了,因为我们的模型参数是可以通过一些方法反推出来的,这叫黑箱攻击.具体来讲,如果我们无法获知一个模型中的具体参数,但我们知道它是用什么样的训练数据训练出来的,我们就可以训练一个代理网络,用代理网络来模仿我们想要攻击的对象.如果它们都使用同样的训练数据训练模型,也许它们就会有一定的相似度.如果代理网络与要攻击的网络有一定程度的相似性,我们只要对代理网络进行攻击,也许要攻击的网络也会被攻击成功. 整个过程如图12.9所示.