中國教育報-中國教育新聞網(wǎng)訊（通訊員 張蕾 記者 馮麗）近日，西安電子科技大學網(wǎng)信院馬卓教授團隊最新研究成果被第45屆國際信息安全頂會IEEE Symposium on Security and Privacy（IEEE S&P 2024）全文收錄。第一作者為馬卓教授，通信作者為楊易龍博士生和劉洋副教授，合作作者包括北京大學楊仝長聘副教授、西安電子科技大學李騰副教授以及浙江大學秦湛研究員。

該文章聚焦于深度神經網(wǎng)絡后門識別和移除方案的高效性提升，主要貢獻如下：現(xiàn)代深度神經網(wǎng)絡模型（DNNs）需要大量數(shù)據(jù)才能達到最佳性能，人們已經依賴從多種開源途徑獲取大量訓練數(shù)據(jù)集。這種不可信方式可能會導致訓練時發(fā)生后門攻擊，即攻擊者在訓練數(shù)據(jù)集中注入一小部分有毒訓練樣本，將后門植入模型，導致在運行時觸發(fā)有毒樣本的錯誤分類。為了減輕這種攻擊，研究者提出了許多防御方法，如檢測并移除有毒樣本或糾正受害DNN模型的權重。然而，在面對大規(guī)模訓練數(shù)據(jù)集時，這些方法效率顯著低下，導致現(xiàn)實世界中實用性不高。該研究提出了一種輕量級的后門識別和移除方案，名為ReBack。具體來講，ReBack首先提取出可疑和良性的樣本子集，然后使用基于“平均和差分”的方法來快速識別后門目標標簽。接著，ReBack提出了一種新的反向工程方法，僅使用基本算子就能恢復出準確的觸發(fā)器。實驗表明，對于擁有750個標簽的ImageNet數(shù)據(jù)集，ReBack可以在大約2小時內防御后門攻擊，顯示出比現(xiàn)有方法快18.5倍至214倍的效率提升。在移除后門的過程中，由于恢復的觸發(fā)器與真實觸發(fā)器的余弦相似度達到99%，后門攻擊成功率可以降低到0.05%。

據(jù)悉，IEEE S&P又稱Oakland，與ACM CCS、USENIX Security、NDSS并列稱為安全領域的四大國際頂級學術會議，其近10年的平均錄用率約為13%，發(fā)表難度在四大頂會里最高，被中國計算機學會（CCF）認定為A類會議。該會議收錄的論文代表著相關研究領域的最高水平，在業(yè)界具有廣泛而深遠的影響。