《計算機應用研究》|Application Research of Computers

對抗樣本生成及攻防技術研究

Survey of generation,attack and defense of adversarial examples

免費全文下載 (已被下載 次)  
獲取PDF全文
作者 劉小壘,羅宇恒,邵林,張小松,朱清新
機構 電子科技大學 a.信息與軟件工程學院;b.網絡空間安全研究中心,成都 611731
統計 摘要被查看 次,已被下載
文章編號 1001-3695(2020)11-001-3201-05
DOI 10.19734/j.issn.1001-3695.2019.07.0252
摘要 基于對抗樣本的攻擊方法是機器學習算法普遍面臨的安全挑戰之一。以機器學習的安全性問題為出發點,介紹了當前機器學習面臨的隱私攻擊、完整性攻擊等安全問題,歸納了目前常見對抗樣本生成方法的發展過程及各自的特點,總結了目前已有的針對對抗樣本攻擊的防御技術,最后對提高機器學習算法魯棒性的方法作了進一步的展望。
關鍵詞 對抗樣本; 機器學習; 深度學習
基金項目 國家自然科學基金資助項目(61572115)
四川省苗子工程創新基金資助項目(2019JDRC0069)
本文URL http://www.gvztwvrl.buzz/article/01-2020-11-001.html
英文標題 Survey of generation,attack and defense of adversarial examples
作者英文名 Liu Xiaolei, Luo Yuheng, Shao Lin, Zhang Xiaosong, Zhu Qingxin
機構英文名 a.School of Information & Software Engineering,b.Center for Cyber Security,University of Electronic Science & Technology of China,Chengdu 611731,China
英文摘要 Attack methods based on adversarial samples are one of the security challenges that machine learning algorithms are commonly facing. This paper took the security of machine learning as a starting point, introduced the current security issues such as privacy attack and integrity attack that were faced by machine learning, summarized the development process and respective characteristics of current adversarial sample generation methods, and summarized the existing defense techniques for adversarial sample attacks, finally made a further look at how to improve the robustness of machine learning algorithms.
英文關鍵詞 adversarial examples; machine learning; deep learning
參考文獻 查看稿件參考文獻
 
收稿日期 2019/7/23
修回日期 2019/9/11
頁碼 3201-3205,3212
中圖分類號 TP393.04
文獻標志碼 A
福州麻将中什么叫金龙 时时彩平台开业 网络棋牌游戏技巧攻略 幸运农场幸运三开奖 北京快3中奖规则奖金 甘肃十一选五玩法介绍 捕鱼大亨安卓 南宁麻将规则 成都麻将交流群 上海时时乐基本走势 广东十分最新开奖结果 山东十一选五开奖查询 国标麻将规则 怎么胡 百赢棋牌游戏中心下载 六合宝典 浙江十一选五开奖真准网 黑龙江11元五开奖结果