数据投毒（Data Poisoning）
数据投毒是一种通过在 练习数据 中植入恶意样本或修改数据以诱骗机器学习模子的方法。这种攻击旨在使模子 在将来的猜测或决定中 产生错误结果。攻击者可能会植入具有误导性标签或特征的数据，以扭曲模子的学习过程，导致模子偏离真实数据的表征。数据投毒攻击可能在模子练习过程中不被察觉，但其影响可能在模子摆设和运行时显现出来。
后门攻击（Backdoor Attacks）
后门攻击是一种在模子 练习过程 中植入后门或隐藏功能的方式。这些后门可能是针对特定输入触发的，使得模子在遇到这些特定标记或输入时产生意生手为。后门攻击的目的是在模子体现正常的环境下，对特定环境下的猜测或决定进行操控，可能导致安全隐患或隐私泄露。
【注】后门攻击和数据投毒攻击的异同点：
- 相同点：
- 差异点：
- 数据投毒：主要目的是使模子的泛化性能变差, 也即在测试集上的效果变差, 模子不能进行有效的学习, 甚至无法收敛。
- 后门攻击：目的则是使模子学习到攻击者指定的内容, 其对 正常样本 仍旧具有良好的测试效果，但对于 中毒样本 则会输出攻击者预先设定的标签。
对抗样本攻击（Adversarial Examples）
对抗样本攻击是通过对输入数据进行微小但有针对性的修改，使得机器学习模子产生错误分类或错误猜测的样本。这些微小的变化对人类观察险些不可察觉，但足以使模子做堕落误的推断。对抗样本攻击是针对模子的鲁棒性和稳固性，即使在面对微小扰动时也能保持准确性。
模子窃取攻击（Model Extraction Attacks）
模子窃取攻击是一种针对机器学习模子的攻击，旨在通过观察模子的输出并利用查询功能，从中 重修或复制 原始模子。攻击者可能使用额外的查询信息来近似或重修受攻击模子，从而破坏模子拥有者的 知识产权 或 潜在商业上风 。
参考资料
- 深度学习中的后门攻击综述，杜巍, 刘功申，2022信息安全学报
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
