声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-5602/TP
国际刊号：1673-9418
发布日期:
作者：彭子铭, 丁建伟, 姚佳旺, 田华伟
单位：中国人民公安大学 信息网络安全学院，北京 100038
关键词：后门攻击,阶段性对抗优化,奇异值分解,样本特异性,模型安全
深度学习模型凭借其卓越的性能已在众多领域得到广泛应用，但研究表明其对后门攻击也具有显著的脆弱性。后门攻击可通过隐蔽的触发机制破坏模型的可靠性，当预设的触发器激活隐藏后门时，模型将执行恶意行为。目前后门攻击主要依赖于空间域或频域的扰动触发模式，且多采用样本无关的静态触发器设置，使得防御系统能够相对容易地检测并消除威胁。为了解决现有攻击隐蔽性不足和鲁棒性较弱的问题，提出一种基于奇异值空间进行阶段性对抗优化的动态后门攻击方法。通过生成器生成具有样本特异性的触发器，利用奇异值分解（SVD）提取干净图像和触发器的主/次特征，将触发信息嵌入干净图像次特征中，保留主特征以维持后门隐蔽性。提出阶段性训练框架：第一阶段联合优化触发生成器与分类器，确保最大化后门攻击的有效性；第二阶段则用最优触发生成器继续训练后门模型。为了验证方法的隐蔽性与有效性，在多个经典数据集上测试了攻击方法。实验结果表明，该方法在四个数据集上都实现了比现有攻击方法更高的攻击成功率，且在良性样本上几乎没有导致准确率下降，并绕过了四种先进的后门防御方法。同时，实验还验证了深度模型对奇异值扰动的敏感性可被恶意利用，而现有的防御机制难以识别此类攻击，为AI模型揭示了新的安全隐患。
来源：2026年第2期
《计算机科学与探索》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。