To See or Not to See -- Fingerprinting Devices in Adversarial Environments Amid Advanced Machine Learning
本文提出了一种通用的设备指纹识别模型，系统分析了现有方法的局限性，并探讨了未来更安全的物联网指纹识别方案。
2025-12-20 cs.CR
Over-The-Air Adversarial Attacks on Deep Learning Wi-Fi Fingerprinting
在深度神经网络（DNN）的支持下，Wi-Fi指纹识别最近取得了惊人的定位性能，以促进无线网络中的许多安全关键应用，但它不可避免地受到对抗攻击，其中细微的扰动可能会误导DNN做出错误的预测。这种漏洞为恶意设备提供了新的安全漏洞，以阻碍无线网络安全，例如地理围栏或资产管理故障。现有的对定位DNN的对抗攻击使用对信道状态信息（CSI）测量的加性扰动，这在Wi-Fi传输中是不切实际的。为了超越这一限制，本文提出了FooLoc，它在攻击者和受害者接入点（AP）之间的实际无线信道上欺骗Wi-Fi CSI指纹DNN。我们观察到，虽然上行链路CSI是未知的攻击者，可访问的下行链路CSI可以是他们的合理的替代品在同一地点。我们深入研究了空中扰动的乘法和重复特性，并设计了一个有效的优化问题来生成难以察觉但强大的对抗性扰动。我们实现FooLoc使用商业Wi-Fi AP和无线开放访问研究平台（WARP）v3板在离线和在线实验，分别。实验结果表明，FooLoc在目标攻击中的总体攻击成功率约为70%，在非目标攻击中的攻击成功率超过90%，干扰信号比约为-18dB。
2023-01-10 cs.CR
Fingerprinting Image-to-Image Generative Adversarial Networks
Nanyang Technological University（南洋理工大学）；City University of Hong Kong（香港城市大学）；Tsinghua University（清华大学）；Chongqing University（重庆大学）；Wuhan University（武汉大学）；Zhejiang University（浙江大学）；University of New Brunswick（新不伦瑞克大学）
本文针对图像到图像GAN的版权保护问题，提出基于可信第三方的指纹方案，通过构建GAN与分类器的复合模型生成并嵌入指纹样本，在隐蔽性、鲁棒性和安全性上优于现有方法。
2024-08-07 cs.AI cs.CR cs.CV
Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification
University of Murcia（穆尔西亚大学）；armasuisse Science & Technology（瑞士国防采购与技术局科学与技术部）；University of Zurich（苏黎世大学）
在过去的几年里，部署的物联网设备数量经历了爆炸式增长，达到了数十亿的规模。然而，一些新的网络安全问题也随之出现。其中一些问题是部署未经授权的设备、恶意代码修改、恶意软件部署或漏洞利用。这一事实激发了对基于行为监测的新设备识别机制的需求。此外，由于该领域的进步和处理能力的增加，这些解决方案最近利用了机器和深度学习技术。相比之下，攻击者并没有停滞不前，而是开发了对抗攻击，专注于应用于物联网设备识别解决方案的上下文修改和ML/DL评估规避。这项工作探讨了基于硬件行为的单个设备识别的性能，它如何受到可能的上下文和ML/DL攻击的影响，以及如何使用防御技术提高其弹性。从这个意义上说，它提出了一种基于硬件性能行为的LSTM-CNN架构，用于单个设备识别。然后，使用从45台运行相同软件的Raspberry Pi设备收集的硬件性能数据集，将以前的技术与所提出的架构进行了比较。LSTM-CNN改进了以前的解决方案，为所有设备实现了+0.96的平均F1分数和0.8的最小TPR。之后，上下文和ML/DL为重点的对抗攻击对以前的模型，以测试其鲁棒性。基于温度的上下文攻击无法破坏识别。然而，一些ML/DL最先进的规避攻击是成功的。最后，选择对抗性训练和模型蒸馏防御技术来提高模型对规避攻击的弹性，而不会降低其性能。
2022-12-30 cs.AI cs.CR
Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting
School of Information Technology, York University（约克大学信息科技学院）；School of Computer Science, University of Guelph（圭尔夫大学计算机科学学院）；National Research Council of Canada（加拿大国家研究委员会）
本文提出基于SHAP的归因指纹方法，用于增强物联网入侵检测系统对对抗攻击的鲁棒性，通过提取网络流量特征的归因指纹，提高检测准确性和系统透明度。
2025-11-09 cs.AI cs.CL cs.CR
IrisFP: Adversarial-Example-based Model Fingerprinting with Enhanced Uniqueness and Robustness
University of Houston（休斯顿大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
本文提出IrisFP，通过多边界特征、多样本行为和指纹判别力评估生成复合样本指纹，提升模型指纹的唯一性和鲁棒性，实验表明其优于现有方法。
2026-03-30 cs.CR
Mockingbird: Defending Against Deep-Learning-Based Website Fingerprinting Attacks with Adversarial Traces
Anomali Inc.（Anomali公司）；Global Cybersecurity Institute, Rochester Institute of Technology（罗切斯特理工学院全球网络安全研究所）
网站指纹（WF）是一种流量分析攻击，使本地被动窃听者能够推断受害者的活动，即使流量受到VPN或Tor等匿名系统的保护。利用深度学习分类器，WF攻击者可以在Tor流量上获得超过98%的准确率。在本文中，我们探索了一种新的防御方法Mockingbird，它基于对抗性示例的思想，这些示例已被证明会破坏其他领域的机器学习分类器。由于攻击者得到设计和训练他的攻击分类器的基础上的防御，我们首先证明，在一个简单的技术生成对抗性的例子为基础的痕迹无法防止攻击者使用对抗性训练的强大的分类。然后，我们提出了Mockingbird，一种用于生成轨迹的技术，通过在可行轨迹的空间中随机移动而不是遵循更可预测的梯度来抵抗对抗性训练。该技术将对抗训练强化的最先进攻击的准确性从98%降低到42-58%，同时仅产生58%的带宽开销。攻击准确性通常低于最先进的防御，并且在考虑Top-2准确性时要低得多，同时产生较低的带宽开销。
2020-10-28 cs.CR cs.LG
A Real-time Defense against Website Fingerprinting Attacks
像Tor这样的匿名系统容易受到网站指纹（WF）攻击，其中本地被动窃听者推断受害者的活动。目前基于深度学习分类器的WF攻击已经成功地克服了许多提出的防御。虽然最近利用对抗性示例的防御提供了希望，但这些对抗性示例只能在网络会话结束后计算，因此在实际设置中为用户提供的保护很少。我们提出了Dolos，一个实时的修改用户网络流量以成功规避WF攻击的系统。Dolos通过计算输入不可知的对抗补丁将虚拟数据包注入流量跟踪，这些补丁会破坏WF攻击中使用的深度学习分类器。然后应用补丁来实时的改变和保护用户流量。重要的是，这些补丁是由用户侧秘密参数化的，确保攻击者无法使用对抗训练来击败Dolos。我们通过实验证明，Dolos在各种设置下都能提供94%以上的保护，抵御最先进的WF攻击。与之前的防御相比，Dolos在更高的保护性能和更低的信息泄漏和带宽开销方面表现出色。最后，我们证明了Dolos对各种自适应对策的鲁棒性，以检测或破坏防御。
2021-02-08 cs.CR
Deep Neural Network Fingerprinting by Conferrable Adversarial Examples
University of Waterloo（滑铁卢大学）
在机器学习即服务中，提供商训练深度神经网络，并为许多用户提供访问权限。托管（源）模型易受模型窃取攻击的影响，其中攻击者从对源模型的API访问中导出代理模型。对于此类攻击的事后检测，提供商需要一种健壮的方法来确定可疑模型是否是其模型的代理。我们提出了一种用于深度神经网络分类器的指纹识别方法，该方法从源模型中提取一组输入，使得只有代理人同意源模型对这些输入的分类。这些输入是可转移的对抗性示例的子类，我们称之为可赋予的对抗性示例，这些示例仅使用目标标签从源模型转移到其代理模型。我们提出了一种新的方法来生成这些可信的对抗性例子。我们提出了一个广泛的研究，我们的指纹对微调，权重修剪，再培训，再培训与不同的架构，三个模型窃取攻击从相关的工作，迁移学习，对抗训练，和两个新的自适应攻击的不可移除性。我们的指纹对蒸馏，相关的模型窃取攻击，甚至当攻击者无法访问模型提供者的数据集时的迁移学习都是鲁棒的。我们的指纹是第一种在验证替代品时达到ROC AUC为1.0的方法，而以前的指纹的ROC AUC为0.63。
2021-01-20 cs.CR cs.LG stat.ML
FLARE: Fingerprinting Deep Reinforcement Learning Agents using Universal Adversarial Masks
Nokia Bell Labs（诺基亚贝尔实验室）；Aalto University（阿尔托大学）；University of Waterloo（滑铁卢大学）
本文提出FLARE，利用不可迁移的通用对抗掩码作为指纹，通过动作一致性验证深度强化学习策略的所有权，实验表明其能有效识别盗版副本且无误报，并对模型修改攻击具有鲁棒性。
2023-09-25 cs.CR cs.LG
An Adversarial-Driven Experimental Study on Deep Learning for RF Fingerprinting
University of Oklahoma（俄克拉荷马大学）；University of Arkansas（阿肯色大学）
通过对抗性实验分析，发现深度学习射频指纹识别系统在域偏移下存在一致误分类行为，可被用作后门攻击，且模型在原始信号上训练会纠缠射频指纹与环境特征，产生无法通过置信度阈值等后处理缓解的攻击向量。
2025-10-28 cs.CR cs.LG eess.SP
SATversary: Adversarial Attacks and Defenses for Satellite Fingerprinting
University of Oxford（牛津大学）；armasuisse Science + Technology（瑞士联邦国防军科学与技术局）
本文研究了针对卫星指纹识别的优化对抗攻击与防御技术，展示了干扰、数据污染和欺骗攻击的效果，并提出利用训练模型检测攻击的方法。
2026-02-12 cs.CR eess.SP
Penetrating RF Fingerprinting-based Authentication with a Generative Adversarial Attack
物理层认证依赖于检测无线电设备传输的信号中的独特缺陷，以隔离其指纹。最近，越来越多地提出了基于深度学习的认证器来使用这些指纹对设备进行分类，因为与传统方法相比，它们实现了更高的准确性。然而，在其他领域已经表明，向合法输入添加精心制作的扰动可以欺骗这样的分类器。这可能会破坏安全性提供的信息。与应用于其他领域的对抗攻击不同，对手无法控制传播环境。因此，为了调查无线通信中这种类型攻击的严重性，我们考虑未经授权的发射机试图将其信号分类为基于深度学习的授权。我们演示了一个基于强化学习的攻击，其中模仿者-仅使用身份验证器的二进制身份验证决策-扭曲其信号以渗透系统。在软件定义无线电测试平台上进行的大量仿真和实验表明，在适当的信道条件下，并以最大失真水平为界，可以以超过90%的成功率可靠地欺骗伪随机数。
2020-11-03 cs.CR eess.SP
ADL-ID: Adversarial Disentanglement Learning for Wireless Device Fingerprinting Temporal Domain Adaptation
Oregon State University（俄勒冈州立大学）
随着5G标准化的旅程即将结束，学术界和工业界已经开始考虑第六代（6 G）无线网络，旨在满足未来十年的服务需求。基于深度学习的RF指纹识别（DL-RFFP）最近被认为是实现关键无线网络应用和服务（例如频谱策略实施和网络访问控制）的潜在解决方案。当使用从与用于训练数据的域不同的域提取的数据进行测试时，最先进的DL-RFFP框架遭受显著的性能下降。在本文中，我们提出了ADL-ID，一个无监督的域自适应框架，它是基于对抗解纠缠表示，以解决RFFP任务的时间领域自适应。我们的框架已经在真实的LoRa和WiFi数据集上进行了评估，与短期时间适应的基线CNN网络相比，准确性提高了约24%。它还将长期时间适应的分类精度提高了9%。此外，我们还发布了从50台Pycom设备收集的为期5天、2.1TB的大规模WiFi 802.11b数据集，以支持研究社区开发和验证强大的RFFP方法。
2023-01-29 cs.CR cs.LG eess.SP
Erasing Radio Frequency Fingerprints via Active Adversarial Perturbation
本文针对射频指纹可能泄露用户隐私的问题，提出一种基于主动对抗扰动的擦除方法，通过扰动导频信号隐藏硬件特征并误导识别模型，同时不影响通信功能，并在LTE系统中验证了其有效性。
2024-06-12 cs.CR
COPYCOP: Ownership Verification for Graph Neural Networks
McCombs School of Business（麦科姆斯商学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究提出COPYCOP算法，用于检测图神经网络间是否存在模仿关系，通过理论保证和实验验证其在多种数据集和架构上的准确性和鲁棒性。
2026-05-06 cs.AI cs.LG
Hey, That's My Model! Introducing Chain & Hash, An LLM Fingerprinting Technique
Microsoft（微软）
提出一种基于链与哈希的LLM指纹识别框架，通过加密绑定提示与响应防止碰撞，并利用随机填充和元提示配置增强鲁棒性，实现可验证的所有权证明。
2026-07-02 cs.AI cs.CR
Adversarial Example Based Fingerprinting for Robust Copyright Protection in Split Learning
针对Split Learning模型缺乏版权保护框架的问题，提出首个利用对抗样本生成指纹并嵌入模型的版权保护方案，在保持模型准确率的同时实现了高指纹验证成功率并抵御标签推断攻击。
2025-03-05 cs.CR
DeepTaster: Adversarial Perturbation-Based Fingerprinting to Identify Proprietary Dataset Use in Deep Neural Networks
Sungkyunkwan University（成均馆大学）
DeepTaster是一种新颖的DNN指纹识别技术，通过生成对抗扰动图像并转换至傅里叶频域，有效识别嫌疑模型是否非法使用了受害模型的专有数据集，即使架构不同也能准确检测。
2024-01-04 cs.CR cs.LG
Mitigating the Structural Bias in Graph Adversarial Defenses
Department of Electrical Engineering, City University of Hong Kong（香港城市大学电子工程系）；School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院）
针对图对抗防御方法在低度数节点上表现出的结构偏差问题，提出包含异质-同质增强图构建、$k$NN增强图构建和多视图节点级注意力模块的防御策略，有效缓解了GNNs对抗攻击的结构偏差并提升了防御鲁棒性。
2025-04-29 cs.AI cs.CR cs.LG
FPEdit: Robust LLM Fingerprinting through Localized Parameter Editing
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
FPEdit通过局部参数编辑注入语义连贯自然语言指纹，解决现有指纹技术的局限，实现高指纹保留率、抗检测性与模型效用保留，大幅降低资源需求，用于大语言模型来源验证。
2026-07-30 cs.AI cs.CR
Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience
Sichuan University（四川大学）；Chengdu University of Information Technology（成都信息工程大学）；Shihezi University（石河子大学）；Tianjin University（天津大学）；Huazhong University of Science and Technology（华中科技大学）
针对图神经网络易受对抗边扰动攻击、现有防御无法抵御二次攻击的问题，提出图结构的图智能体网络GAgN，通过1跳视野节点智能体的去中心化交互实现对抗边过滤与攻击抵御，实验证明其在扰动数据集上分类准确率优于现有最优防御方法。
2024-12-11 cs.AI cs.CR cs.LG
MetaV: A Meta-Verifier Approach to Task-Agnostic Model Fingerprinting
对于模型盗版取证，先前的模型指纹方案通常基于为所有者的模型构造的对抗性示例作为\textit{fingerprint}，并且通过将指纹示例上的行为模式彼此匹配来验证可疑模型是否确实从原始模型盗版。然而，这些方法严重依赖于分类任务的特性，这抑制了它们在更一般场景中的应用。为了解决这个问题，我们提出了MetaV，这是第一个任务不可知的模型指纹识别框架，它可以在更广泛的DNN上进行指纹识别，独立于下游学习任务，并且对各种所有权混淆技术具有很强的鲁棒性。具体而言，我们将以前的计划概括为MetaV中的两个关键设计组件：\textit{adaptive fingerprint}和\textit{meta-verifier}，它们被联合优化，使得元验证器学习基于自适应指纹上的可疑模型的级联输出来确定可疑模型是否被盗。作为任务不可知的关键，全过程不对集合中的模型内部进行任何假设，只要它们具有相同的输入和输出维度。跨越分类，回归和生成建模，广泛的实验结果验证了MetaV的性能大大提高了国家的最先进的指纹方案，并证明了增强的通用性MetaV提供任务不可知的指纹。例如，在针对皮肤癌诊断训练的ResNet-18指纹识别中，MetaV在$70$可疑模型的不同测试集上同时实现了$100\%$真阳性和$100\%$真阴性，与最佳基线相比，实现了ARUC的约$220\%$相对改善。
2022-05-19 cs.CR
SRAF: Stealthy and Robust Adversarial Fingerprint for Copyright Verification of Large Language Models
Zhejiang University（浙江大学）；Communication University of China（中国传媒大学）；Chongqing University（重庆大学）
提出SRAF框架，通过协同联合优化和困惑度隐藏技术，在多种模型修改下实现鲁棒且隐蔽的对抗指纹，用于大语言模型所有权验证。
2026-09-21 cs.CR
Blind Adversarial Network Perturbations
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
深度神经网络（DNN）通常用于各种流量分析问题，例如网站指纹和流相关性，因为它们优于传统的（例如，统计学）技术。然而，众所周知，深度神经网络容易受到对抗性示例的影响：由于小的对抗性扰动，模型的对抗性输入被模型错误地标记。在本文中，我们第一次表明，对手可以击败基于DNN的流量分析技术，通过应用\emph{adversarial perturbations}的模式，\emph{live}网络流量。
2020-02-16 cs.CR cs.LG
Chameleon: Robust Defense Against Tor Website Fingerprinting via Many-to-Many Traffic Morphing
Bellini College of Artificial Intelligence, Cybersecurity and Computing, University of South Florida（南佛罗里达大学贝利尼人工智能、网络安全与计算学院）；Department of Electrical and Computer Engineering, University of South Florida（南佛罗里达大学电气与计算机工程系）
Chameleon是一种基于多对多流量变形的Tor网站指纹鲁棒防御，可降低多种攻击的准确率，同时减少带宽和时间开销，在实际部署中表现优异。
2026-08-21 cs.CR cs.CY
Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data
University of Maryland（马里兰大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
由于生成对抗网络（GANs）的突破，真实感图像生成已经达到了一个新的质量水平。然而，这种deepfakes的黑暗面，恶意使用生成的媒体，引起了人们对视觉错误信息的担忧。虽然现有的deepfake检测研究工作具有很高的准确性，但它受制于生成技术的进步和检测对策技术的对抗性迭代。因此，我们寻求一种主动和可持续的深度伪造检测解决方案，即通过将人工指纹引入模型，对生成模型的演变不可知。我们的方法简单而有效。我们首先将人工指纹嵌入到训练数据中，然后验证这种指纹从训练数据到生成模型的可转移性，这反过来又出现在生成的deepfake中。实验表明，我们的指纹识别解决方案（1）适用于各种尖端的生成模型，（2）对生成质量产生的副作用可以忽略不计，（3）对图像级和模型级扰动保持鲁棒性，（4）难以被对手检测到，（5）将deepfake检测和归因转换为琐碎的任务，并优于最近最先进的基线。我们的解决方案关闭了发布预训练的生成模型发明及其可能的滥用之间的责任循环，这使得它独立于当前的军备竞赛。代码和型号可在https://github.com/ningyu1991/ArtificialGANFingerprints上获得。
2022-03-17 cs.CR cs.CV cs.CY
Your "Pro" LLM Subscription May Actually Be "Free": Exposing Fingerprint Spoofing Risks in LLM Inference Services
The Pennsylvania State University（宾夕法尼亚州立大学）
提出指纹欺骗攻击，恶意服务商通过参数高效微调弱模型模仿强模型，绕过用户指纹验证；理论证明用户资源限制导致指纹易被欺骗，并设计GhostPrint攻击框架，实验表明其能以低成本持续绕过主流指纹方法。
2026-06-16 cs.CL cs.CR cs.LG
Unlearning-Enhanced Website Fingerprinting Attack: Against Backdoor Poisoning in Anonymous Networks
针对匿名网络中网站指纹攻击易受隐蔽后门投毒影响的问题，提出融合机器反学习的方法，自动识别并清除投毒样本影响，在 CW/OW 设置下提升鲁棒性与运行效率。
2025-06-16 cs.CR cs.NI
Fingerprinting Deep Packet Inspection Devices by Their Ambiguities
提出dMAP框架，利用DPI解析歧义生成行为指纹，以20-40个探针远程区分全球DPI设备，助力网络干扰侦察。
2025-09-11 cs.CR cs.NI
CLIF: Cross-layer LEO-ISL Fingerprinting for Physical and Network Attack Detection in Dense LEO Constellations
Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系）；EdGenAI Technologies（EdGenAI科技公司）
提出一种跨层轻量行为指纹框架，融合物理层与网络层数据，在低计算开销下检测LEO星座中的欺骗、流量操纵和路由颠覆等攻击，基于马氏距离的检测器在Starlink、Kuiper和多运营商场景中分别达到99.5%、99.4%和94.8%的召回率，假阳性率低于0.7%。
2026-06-04 cs.CR
LLMs Have Rhythm: Fingerprinting Large Language Models Using Inter-Token Times and Network Traffic Analysis
College of Science and Engineering (CSE), Hamad Bin Khalifa University (HBKU)（哈马德·本·卡伊夫大学科学与工程学院）；Networked Systems Security Group, KTH Royal Institute of Technology -- Stockholm, Sweden（瑞典皇家理工学院网络系统安全组）
本文提出一种被动、非侵入的实时指纹识别方法，通过测量令牌间时间（ITTs）并利用网络流量分析，在加密条件下高精度识别不同大型语言模型，涵盖多种部署场景，提升模型部署安全性与可信度。
2025-02-27 cs.AI cs.CL cs.CR
NaturalFinger: Generating Natural Fingerprint with Generative Adversarial Networks
Wuhan University（武汉大学）
本文提出NaturalFinger，利用GAN生成自然指纹并对决策差异区域进行标记，在FingerBench上达到0.91 ARUC，超过最优基线17%以上。
2023-05-29 cs.CR cs.CV
On the Robustness of Dataset Inference
Aalto University（阿尔托大学）；Zhejiang University（浙江大学）；University of Waterloo（滑铁卢大学）
本研究证明数据集推理（DI）在所有权验证中存在高误报和漏报问题，黑盒设置下无法可靠识别被窃模型，并探讨了其影响与未来方向。
2023-06-19 cs.CR cs.LG
GanFinger: GAN-Based Fingerprint Generation for Deep Neural Network Ownership Verification
Guangzhou University（广州大学）；Beijing Institute of Technology（北京理工大学）
提出GanFinger，利用GAN生成可协商对抗样本构建网络指纹，通过精度-鲁棒性距离验证所有权，在效率、隐蔽性和可区分性上显著优于现有方法。
2023-12-25 cs.CR cs.CV
SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks
Colorado State University（科罗拉多州立大学）
针对室内定位受对抗攻击、设备异构和RSS波动影响的问题，提出基于改进胶囊神经网络的SENTINEL框架及RSSRogueLoc数据集，显著降低定位误差。
2024-07-14 cs.CR cs.DC cs.LG
Everywhere Attack: Attacking Locally and Globally to Boost Targeted Transferability
Southwest university of science and technology（西南科技大学）；Guangan institute of technology（广安职业技术学院）；City University of Macau（澳门城市大学）；Beijing normal university（北京师范大学）
本文提出“无处不在攻击”方案，通过将图像分割为不重叠块并对每个局部区域联合实施定向攻击，缓解注意力不一致问题，显著提升定向对抗样本的可迁移性。
2025-01-01 cs.AI cs.CR cs.CV
Deep Learning for Resilient Adversarial Decision Fusion in Byzantine Networks
本文提出基于深度学习的统一决策融合框架，应对拜占庭节点攻击，无需参数调整即可泛化，仿真验证其高精度、低错误率与可扩展性。
2024-12-17 cs.CR cs.LG cs.MA
DeTorrent: An Adversarial Padding-only Traffic Analysis Defense
DeTorrent 利用竞争神经网络生成并评估插入虚拟流量的对抗性填充防御，在中等开销下显著降低网站指纹识别和流关联攻击效果，并在 Tor 实时流量中验证了实用性。
2023-09-22 cs.CR
Globally-Robust Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
对抗性示例的威胁促使人们致力于训练可证明鲁棒性的神经网络，以便于在推理时有效地验证局部鲁棒性。我们正式的概念，全球的鲁棒性，它捕获的操作属性的在线本地鲁棒性认证，同时产生一个自然的学习目标，强大的训练。我们表明，广泛使用的架构可以很容易地适应这一目标，将有效的全球Lipschitz边界到网络中，通过建设，实现最先进的可验证的准确性，产生可证明的鲁棒模型。值得注意的是，这种方法需要显着更少的时间和内存比最近的可认证的培训方法，并导致在线认证点时，可以忽略不计的成本，例如，我们的评估表明，它是可能的训练一个大的强大的Tiny-Imagenet模型在几个小时内。我们的模型有效地利用廉价的全局Lipschitz边界进行实时认证，尽管之前的建议是需要更严格的局部边界才能获得良好的性能;我们认为这是可能的，因为我们的模型经过专门训练，可以实现更严格的全局边界。也就是说，我们证明了最大可实现的可验证的精度为一个给定的数据集是不提高使用本地绑定。
2021-06-11 cs.CR cs.LG stat.ML
Verification of Neural Networks' Global Robustness
Technion（以色列理工学院）
针对现有神经网络全局鲁棒性验证无法给出精确保证的问题，提出基于混合整数规划、依赖剪枝和对抗攻击推广的VHAGaR随时验证器，计算最小全局鲁棒界，精度和速度显著优于现有方法。
2024-03-06 cs.CR cs.LG cs.PL
Protecting Deep Learning Model Copyrights with Adversarial Example-Free Reuse Detection
School of Mathematical Sciences, Peking University, China（北京大学数学科学学院）；School of Computer Science, University of Bristol, UK（英国布里斯托大学计算机科学学院）；School of Control Science and Engineering, Zhejiang University, China（浙江大学控制科学与工程学院）
提出 NFARD，利用神经元功能与正常样本检测 DNN 复用关系，支持白盒、黑盒及异构场景，并构建 Reuse Zoo，检测 F1 最高达 1.0。
2025-06-09 cs.CR cs.LG cs.SE
