随着边缘设备（如手机）计算能力提升和隐私要求日益严格，越来越多的深度学习应用选择在边缘端预处理敏感原始数据，再将提取的特征传输到云端进行后续处理。面部识别服务是典型例子，它需要从不同个人的面部图像中提取特征。为了防止身份信息在传输或云端被窃取，传统方法通常采用对抗博弈的方式从特征中剥离身份信息。然而，这类方法无法有效抵御自适应攻击——即攻击者针对已知防御策略采取反制措施。本文提出 Crafter，一种部署在边缘端的特征加工机制。其核心防御思路是误导攻击者使其陷入非私有的先验信息，从而几乎无法从攻击中获取关于用户私人身份的信息。换而言之，加工后的特征对于自适应更新模型攻击者而言扮演了中毒训练样本的角色。实验中，Crafter 成功抵御了基本攻击和多种自适应攻击变体，而当前最先进的基于对抗博弈的方法均无法达到同等效果。该方法不依赖预设攻击模型，具有较强的泛化能力。

本文研究了针对人脸识别系统的有意电磁干扰（IEMI）攻击。传统计算机视觉攻击多局限于数字域，而生物特征识别（包括人脸识别）中，针对传感器的物理呈现攻击占据主导地位，且存在显著的风险与机遇。本文指出生物特征传感器在物理到数字转换管线中存在关键漏洞，并提出一种标准化的测试方法，以评估人脸识别系统抵抗硬件攻击的鲁棒性，该方法可能超越并补充ISO/IEC 30107标准系列中定义的呈现攻击。具体贡献包括：（a）证明利用常见的射频（RF）设备即可实施有意电磁干扰；（b）评估了最先进的人脸识别方法在面对RF攻击时的鲁棒性；（c）提供了一个包含电磁干扰下及正常条件下采集的人脸图像数据集，作为测试现代人脸匹配器抵抗RF源干扰的新基准。实验表明，通过精心设计的射频干扰，可以有效破坏人脸识别系统的正常功能，导致识别失败或错误分类。该工作突出了物理世界攻击对安全关键型应用（如门禁、支付、边境控制）中部署的人脸识别系统的威胁。