arXiv cs.AI· Yuyang Zhang, Kangjie Chen, Yihui Jin, Run Wang·· 11 小时前AI 评分31
一个设备上的模型暴露会危及他人：重新审视跨设备边缘神经网络安全
Model Exposure on One Device Endangers Others: Rethinking Edge Neural Network Security across Devices
AI 导读
研究提出 VeilNN 防御框架，通过模型混淆降低端侧模型间的对抗样本可迁移性，从而抵御跨节点攻击。VeilNN 在网络结构和参数两个层面施加隐蔽且不可逆的混淆，适用于 MLP、CNN 和 Vision Transformer。实验显示其对四类对抗攻击的平均防御成功率为 49.19%，最高达 81.19%，比现有防御提升超过 33.16%。
正文 · AI 翻译
摘要：神经网络（NN）越来越多地部署在移动和物联网平台等边缘设备上，与基于云的部署相比，可提供低延迟和更好的隐私保护。然而，嵌入移动应用中的设备端模型可能被解包并暴露给攻击者，从而在集中式分布式生态系统中引发跨节点攻击：在一个被攻陷设备上构造的对抗样本可以有效地迁移到共享相同模型的其他节点。为应对这一威胁，我们提出 VeilNN，一个通过模型混淆降低设备端模型间对抗迁移性的防御框架。VeilNN 的核心思想是在保持原始任务功能的同时引入受控的模型多样性。具体而言，VeilNN 通过网络单元混淆和层组装，在架构和参数两个层面施加隐蔽且不可逆的混淆，并适用于 MLP、CNN 和 Vision Transformer 等多种神经网络架构。大量实验表明，VeilNN 能有效防御跨节点攻击，在四种对抗攻击类型上平均防御成功率为 49.19%，最高达 81.19%，相比现有防御方法提升超过 33.16%。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27152 [cs.CR] |
| （或 arXiv:2610.27152v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27152 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yihui Jin [查看邮箱]
[v1]
2026年10月19日 星期一 18:45:18 UTC（424 KB）
来源：arXiv cs.AI · arxiv.org