End-to-End Hard-Label Cryptanalytic Model Extraction Using Efficient Sign Recovery
该论文关注深度学习模型的知识产权安全问题。深度神经网络(DNN)的训练参数被视为有价值的资产, 近年来在 IACR 系列会议上, 仅通过查询模型接口来还原参数(模型提取/模型窃取)的攻击受到广泛研究。其中最具挑战性的设置是「硬标签」(har
#hard-label
共收录 5 条相关情报。
← 返回所有主题Normal Alignment: Improved Cryptanalytic Sign Recovery on Hard-Label Networks
该论文研究硬标签（S1）深度神经网络的密码分析式模型提取问题。背景：在 EUROCRYPT 2025 上，Carlini 等人首次证明，在只能获得模型最终预测类别（硬标签）的黑盒条件下，攻击者可在多项式时间内恢复网络各层神经元的符号（sig
Algebraic Cryptanalytic Extraction on Hard-Label Neural Networks
本文针对神经网络模型提取攻击在硬标签（hard-label）场景下的计算效率瓶颈，提出了一种基于代数方法的近似签名向量（ASV）技术。现有最优攻击由 Carlini 等人在 EUROCRYPT 2025 提出，理论上具有多项式时间复杂度，但
Hard-label Black-box Universal Adversarial Patch Attack.
该论文提出了一种硬标签黑盒通用对抗补丁攻击方法。在现实世界的黑盒场景中，攻击者无法获取模型参数、梯度或置信度分数，只能获得最终的硬标签（如分类结果）。现有的对抗补丁攻击通常需要白盒或灰盒访问，或针对特定实例生成。本文首次研究了在硬标签黑盒设
A Hard-Label Black-Box Evasion Attack against ML-based Malicious Traffic Detection Systems.
这篇论文研究的是针对基于机器学习的恶意流量检测系统的黑盒逃避攻击。现有攻击方法通常依赖严格的条件（如加密协议、Tor或特殊设置）或需要目标模型的内部知识（如训练数据、模型参数），在实际黑盒场景中难以实现。作者提出了一种名为NetMasque