SegPAR: Class-Centric Decision-Based Sparse Attack for Semantic Segmentation
本文聚焦于语义分割任务中的决策黑盒稀疏攻击问题。尽管稀疏决策黑盒攻击在分类领域已有研究，但在语义分割中尚缺乏系统性探索。作者首先将分类域中最具代表性的决策黑盒稀疏攻击方法改编至语义分割场景，构建了该未充分研究区域的基准测试。通过基准分析，发
#deep-learning
共收录 86 条相关情报。
← 返回所有主题FreeEagle: Detecting Complex Neural Trojans in Data-Free Cases.
本文针对深度神经网络中的木马（后门）攻击检测问题提出了一种新的无数据方法 FreeEagle。后门攻击是一种典型的人工智能威胁，被植入木马的模型在遇到带触发器的输入时会产生攻击者指定的异常行为，而在干净输入下表现正常。现有的后门检测方法大多
Poster: Detecting Ransomware Attacks by Analyzing Replicated Block Snapshots Using Neural Networks.
本文提出一种面向云防病毒环境的勒索软件检测增强方案。传统基于主机的恶意软件检测存在资源消耗大等问题，云防病毒（Cloud Antivirus）虽能缓解此问题，但对复杂的多态恶意软件和特权恶意软件仍力不从心，且难以应对破坏性勒索软件攻击。作者
Rounding-Guided Backdoor Injection in Deep Learning Model Quantization.
本文提出了一种名为 QURA 的新型后门攻击方法，其核心攻击面是深度学习模型的量化（quantization）过程。模型量化通常被用于在资源受限环境（如嵌入式设备、移动端）中部署模型，以降低存储和计算开销。然而，作者指出这一过程本身可能引入
Your Email Address Holds the Key: Understanding the Connection Between Email and Password Security with Deep Learning.
本文研究基于深度学习的密码猜测模型在针对人类选择密码的定向攻击中的有效性。随着服务提供商提高密码安全性要求（如强制复杂生成模式和采用计算开销大的哈希函数），攻击者可用的猜测次数大幅减少，因此必须利用受害者公开信息进行定向猜测。作者提出一种上
WhiteNet: Robust Identification of Overlapping IEEE 802.11 Signals Across Unseen Channels
本文提出WhiteNet，一个用于鲁棒识别重叠IEEE 802.11信号的深度学习框架，重点解决信道变化导致的性能下降问题。现有基于I/Q样本的深度学习方法在训练和部署信道条件差异大时精度急剧下降。WhiteNet的核心是频谱白化预处理，基
Reversible Unlearnable Examples: Towards the Copyright Protection in Deep Learning Era
本文针对深度学习时代数据版权保护面临的两大威胁：未经授权的模型训练（非法利用数据训练模型）和恶意数据泄露（攻击者窃取或泄露受保护数据）。现有方法通常分别使用不可学习样本（unlearnable examples）和数字水印技术，但作者发现简
ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection
随着智能设备（如智能手机和平板电脑）的普及，移动应用生态蓬勃发展，但恶意软件也日益猖獗。尽管官方应用商店要求应用在上架前通过恶意软件筛查，许多恶意应用仍能通过隐藏复杂变种绕过检测，且其恶意行为往往仅在运行时触发，传统的静态分析难以识别，导致
FaceObfuscator: Defending Deep Learning-based Privacy Attacks with Gradient Descent-resistant Features in Face Recognition.
本文提出了一种名为 FaceObfuscator 的新型人脸图像混淆方法，旨在防御基于深度学习的隐私攻击。随着人脸识别技术被广泛应用于身份认证和公共安全，人脸图像中包含的丰富生物特征也面临着被恶意模型窃取的风险。现有的人脸脱敏方法通常依靠像
Achieving Interpretable DL-based Web Attack Detection through Malicious Payload Localization.
本文提出了一种可解释的基于深度学习的Web攻击检测方法，核心目标是解决深度学习模型在Web攻击检测中‘黑盒’特性导致的不可信问题。现有基于深度学习的Web入侵检测系统虽然具有较高的检测准确率，但无法向安全分析人员解释为何将某条请求判定为攻击
Deep Learning for Cyber Threat Detection and Mitigation in Healthcare-IoT
该论文面向医疗物联网（Healthcare-IoT, H-IoT）中的网络安全威胁，提出了一套基于深度学习的安全防护方案。H-IoT中可穿戴设备资源受限，传统复杂深度学习模型难以部署，同时现有数据集质量参差不齐，限制了安全模型的实用性。为此
User Identification in Dynamic Web Traffic via Deep Temporal Features.
该论文研究在动态Web流量中通过深度时间特征进行用户识别的问题。现代Web应用大量使用动态内容，例如通过XMLHttpRequest或Fetch API的页面更新，这些请求通常由用户操作（如键盘输入、鼠标点击）触发，因此用户操作的时间与携带
Differential Testing of Cross Deep Learning Framework APIs: Revealing Inconsistencies and Vulnerabilities.
该论文针对跨深度学习框架API的一致性问题展开研究，提出了一种差分测试方法，旨在自动发现不同深度学习框架（如TensorFlow、PyTorch等）中同名或相似API之间的行为不一致性，并进一步揭示由此可能导致的安全漏洞。核心思路是构造能够
Early Detection of Hardware Trojans Using Neural Controlled Differential Equations and Analysis of Power Traces
本文针对传统硬件特洛伊木马检测方法难以发现休眠态木马的问题，提出一种基于神经控制微分方程（NCDE）和功率迹分析的早期检测与预测方法。该方法首先在无木马数据上训练NCDE模型，学习芯片的正常功耗行为模式；随后结合线性判别分析（LDA）分类器
Poster: Randomness Unmasked: Towards Reproducible and Fair Evaluation of Shift-Aware Deep Learning NIDS.
该论文针对深度学习网络入侵检测系统（NIDS）评估中的可重复性和公平性问题展开研究。现有评估通常假设数据分布静态，忽略随机性和环境变化的影响，导致报告性能无法反映真实部署情况。作者聚焦于能够感知并适应数据分布偏移的先进模型（shift-aw
PrivDNN: A Secure Multi-Party Computation Framework for Deep Learning using Partial DNN Encryption
近年来深度学习模型与平台爆发式增长，但现有机器学习即服务（MLaaS）架构通常假设模型完全可信，忽略了模型所有者和用户双方的隐私需求。在实际安全多方计算场景中，模型所有者不愿泄露高价值模型参数，用户也不愿暴露私有数据样本。传统的隐私保护深度
Adversarial Frontiers: Minimum-Norm Attack Ensembles for Robustness Evaluation
本文针对当前对抗鲁棒性评估方法的局限性，提出了一种新的评估框架。现有方法通常使用预定义的攻击集成（如AutoAttack）在单一扰动预算ε和少量范数下进行评估，存在三个根本问题：1) 模型间的鲁棒性-扰动曲线可能相交或以不同速率衰减，导致单
End-to-End Differential Privacy in Training Deep Neural Network Classifiers
本文提出了一种端到端差分隐私（DP）训练框架，用于深度神经网络分类器。现有的DP机器学习方法通常同时对训练输入和标签进行隐私保护，但在标签可公开或可安全公开的场景下，这种保护过于保守。因此，作者提出仅对训练输入进行私有化，同时保持标签公开。
Your Compiler is Backdooring Your Model: Understanding and Exploiting Compilation Inconsistency Vulnerabilities in Deep Learning Compilers.
本研究首次系统性地揭示了深度学习编译器中的编译不一致性漏洞（Compilation Inconsistency Vulnerability）。作者发现，即使是官方、未经修改的深度学习编译器，也可能在模型编译过程中静默改变模型语义，从而引入隐
On Precisely Detecting Censorship Circumvention in Real-World Networks.
该论文研究了现实网络中审查规避流量的精确检测问题。作者指出，目前最先进的Tor规避流检测方法存在严重的假阳性问题（即使基准率保守设定为10^-3，假阳性率仍超过94%）。为此，他们提出了一种结合深度学习流分类器和基于主机的检测策略的新方法：