arXiv cs.AI· Yuyang Zhang, Yihui Jin, Kangjie Chen, Leyang Wu, Run Wang·· 11 小时前AI 评分29
BMO：基于边界感知的模型混淆方法抵御跨节点攻击
Mind Your Boundaries: Boundary-Aware Model Obfuscation against Cross-node Attack
AI 导读
研究者提出 BMO 方法，通过将模型参数分解为边界位置与边界曲率分量，并向曲率分量注入噪声来差异化决策边界，从而抵御跨节点攻击。在四类主流对抗攻击和四种广泛部署的端侧模型上，BMO 平均防御成功率达 68.68%，远超最强基线 22.32%，同时良性准确率与基线相当。
正文 · AI 翻译
摘要：随着强大 AI 芯片的进步，端侧机器学习因其低延迟和隐私保护而日益受到关注。然而，当边缘设备被攻陷时，攻击者可以通过直接逆向应用获得所部署模型的白盒访问权限，从而获取对等设备的知识，这被称为跨节点攻击，例如执行高效的对抗攻击。现有的大多数防御针对已知漏洞，但白盒访问仍使攻击者能够发现更多未知弱点。这给边缘设备部署带来了关键风险：一台被攻陷的设备可能危及从同一来源分发的所有模型。受模型鲁棒性主要受决策边界曲率影响这一发现的启发，我们研究了模型参数如何塑造其曲率。在本文中，我们提出了一种新方法 BMO，它通过混淆模型参数来使决策边界多样化，从而进一步抵御跨节点攻击，同时保持其良性准确率。具体而言，我们探索基于零空间约束将模型参数分解为边界位置和边界曲率分量，然后通过向边界曲率分量注入噪声来实例化具有差异化决策边界的模型。在针对四种广泛部署的端侧模型的全部四类主要对抗攻击中，BMO 在防御中平均成功率达到 68.68%，远超最具竞争力的基线——后者在抵御跨节点攻击时仅达到 22.32%。此外，与基线相比，BMO 在良性准确率上取得了相当的性能。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27135 [cs.CR] |
| （或本版本的 arXiv:2610.27135v1 [cs.CR]） | |
| https://doi.org/10.48550/arXiv.2610.27135 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yihui Jin [查看邮箱]
[v1]
2026年10月19日星期一 18:33:16 UTC（712 KB）
来源：arXiv cs.AI · arxiv.org