基于粒子群优化的对抗样本生成算法

随着机器学习被广泛的应用,其安全脆弱性问题也突显出来。该文提出一种基于粒子群优化(PSO)的对抗样本生成算法,揭示支持向量机(SVM)可能存在的安全隐患。主要采用的攻击策略是篡改测试样本,生成对抗样本,达到欺骗SVM分类器,使其性能失效的目的。为此,结合SVM在高维特征空间的线性可分的特点,采用PSO方法寻找攻击显著性特征,再利用均分方法逆映射回原始输入空间,构建对抗样本。该方法充分利用了特征空间上线性模型上易寻优的特点,同时又利用了原始输入空间篡改数据的可解释性优点,使原本难解的优化问题得到实现。该文对2个公开数据集进行实验,实验结果表明,该方法通过不超过7%的小扰动量生成的对抗样本均能使SVM分类器失效,由此证明了SVM存在明显的安全脆弱性。     

基于可变特征空间SVM的互联网流量分类

支持向量机（support vector machine,SVM）是一类具有良好泛化能力的机器学习算法,适合应用于互联网动态环境下的流量分类问题。目前将SVM扩展到流量分类这样的多分类问题的方法主要有One-Against-All和One-Against-One方法。这些方法都基于单一的特征空间训练SVM两分类器,没有考虑到不同特征对不同流量类的不同区分能力,因此获得的分离超平面并不是最合理的。为此提出了可变特征空间的SVM集成方法,即为每个两分类 SVM 构建具有最优区分能力的独立特征空间,单独训练两分类 SVM,最后再利用One-Against-All和One-Against-One方法集成为多分类器。实验表明,与原来的单一特征空间的One-Against-All和One-Against-One集成方法相比,提出的方法能有效提高流量分类器分类精度和召回率,更易获得最优分离超平面。     

基于二阶对抗样本的对抗训练防御

深度神经网络(DNN)应用于图像识别具有很高的准确率,但容易遭到对抗样本的攻击。对抗训练是目前抵御对抗样本攻击的有效方法之一。生成更强大的对抗样本可以更好地解决对抗训练的内部最大化问题,是提高对抗训练有效性的关键。该文针对内部最大化问题,提出一种基于2阶对抗样本的对抗训练,在输入邻域内进行2次多项式逼近,生成更强的对抗样本,从理论上分析了2阶对抗样本的强度优于1阶对抗样本。在MNIST和CIFAR10数据集上的实验表明,2阶对抗样本具有更高的攻击成功率和隐蔽性。与PGD对抗训练相比,2阶对抗训练防御对当前典型的对抗样本均具有鲁棒性。     

基于二阶对抗样本的对抗训练防御

深度神经网络(DNN)应用于图像识别具有很高的准确率,但容易遭到对抗样本的攻击.对抗训练是目前抵御对抗样本攻击的有效方法之一.生成更强大的对抗样本可以更好地解决对抗训练的内部最大化问题,是提高对抗训练有效性的关键.该文针对内部最大化问题,提出一种基于2阶对抗样本的对抗训练,在输入邻域内进行2次多项式逼近,生成更强的对抗样本,从理论上分析了2阶对抗样本的强度优于1阶对抗样本.在MNIST和CI-FAR10数据集上的实验表明,2阶对抗样本具有更高的攻击成功率和隐蔽性.与PGD对抗训练相比,2阶对抗训练防御对当前典型的对抗样本均具有鲁棒性.     

基于Pi-演算的信任Web服务组合建模

为了提高Web服务组合的可信性,利用Pi-演算刻画信任Web服务组合的结构及信任实体间的交互.首先,给出信任Web服务组合的抽象定义;然后,建立信任实体与Pi-演算的对应关系.借助Pi-演算的支持工具MWB对信任Web服务组合系统进行分析和推演,旨在Web服务组合信任认证实施之前发现并改正错误,以有效满足用户在信任方面的服务质量需求.     

基于Bayes信任模型的Web服务组合优化方法

为提高组合服务的可信性,提出了一种将Bayes信任模型与遗传算法相结合的服务组合优化方法。首先利用Bayes方法对Web服务的信任度进行估计;然后根据Web服务的基本组合结构,给出组合服务的执行成功概率的计算模型;最后采用遗传算法对服务组合进行优化。仿真实验表明,该方法可为Web服务组合提供一种优化方案,极大地提高组合后服务的执行成功概率。