Resumen

En la clasificación de imágenes del aprendizaje profundo, los ejemplos adversarios donde la entrada está destinada a agregar pequeñas perturbaciones de magnitud pueden llevar a las redes neuronales profundas (DNNs) a resultados incorrectos, lo que significa que las DNNs son vulnerables a ellos. Se han propuesto diferentes estrategias de ataque y defensa para investigar mejor el mecanismo del aprendizaje profundo. Sin embargo, estas investigaciones en estas redes son solo para un aspecto, ya sea un ataque o una defensa. Existe una mejora en el rendimiento ofensivo y defensivo, y es difícil promoverse mutuamente en el mismo marco. En este documento, proponemos Cycle-Consistent Adversarial GAN (CycleAdvGAN) para generar ejemplos adversarios, que pueden aprender y aproximar la distribución de las instancias originales y ejemplos adversarios, especialmente promoviendo que atacantes y defensores se enfrenten y mejoren su capacidad. Para CycleAdvGAN, una vez que el Generador y están entrenados, puede generar perturbaciones adversarias eficientemente

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Ejemplos adversarios; Aprendizaje profundo; DNNs; Estrategias de ataque; Estrategias de defensa; CycleAdvGAN
• Keywords:Adversarial examples; Deep learning; DNNs; Attack strategies; Defense strategies; CycleAdvGAN