计算机应用

作者：李雪莹, 杨琨, 涂国庆, 刘树波

单位：1.空天信息安全与可信计算教育部重点实验室，武汉大学 国家网络安全学院，武汉 430072；2.武汉大学 计算机学院，武汉 430072

关键词：时序数据,深度学习,对抗样本,数据增强,灰盒攻击

基金：国家自然科学基金资助项目(41971407)

深度神经网络（DNN）极易遭受对抗攻击，进而引起时序数据分类任务中的安全问题。基于梯度的攻击方法可以快速地生成对抗样本，但需要不断访问模型内部信息；基于生成的攻击方法在模型训练完成之后无须访问模型内部信息，但存在隐蔽性和迁移性较差等问题。针对以上问题，基于生成式攻击方法AdvGAN提出一种基于局部增强的时序数据对抗样本生成方法，其中的局部增强策略将其他类别数据的信息注入原样本中，并利用增强后的数据执行灰盒攻击；而攻击模型不仅可以利用原样本信息，还能利用其他类别样本的分布信息，进而提升模型的攻击能力和迁移能力。在UCR数据集上的实验结果表明，所提方法平均0.027 s即可生成一个对抗样本；在27个数据集中，它的攻击成功率分别在18、25和13个数据集上优于快速梯度符号法（FGSM）、AdvGAN和GATN（Gradient Adversarial Transformation Network）方法；它的生成对抗样本的均方误差（MSE）分别在20和27个数据集上明显小于AdvGAN和GATN方法；在21个数据集中，它的迁移成功率分别在18和11个数据集上优于AdvGAN和FGSM方法，且在9个数据集上的迁移攻击成功率达到25%以上。可见，所提方法在保证对抗样本生成速度的同时，提高了对抗样本的隐蔽性并保持有竞争力的攻击效果。

来源：2025年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第5期