.png){kind=icon}
返回
A feature-aligned backdoor attack method for class-incremental learning-based automated modulation recognition
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-08050-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
后门攻击对深度学习模型构成严重威胁；然而，在类增量学习场景下其有效性仍需进一步探索。实验观察表明，在类增量自动调制识别（AMR）任务中，初始任务中嵌入的后门特征随着训练的推进倾向于随时间漂移，导致攻击性能逐渐退化。为应对这一挑战，我们提出了一种面向类增量学习的新型特征对齐后门攻击（FABA）。其核心思想是通过特征对齐策略优化后门样本，使其在特征空间中的表示更接近目标类别。该设计使得后门样本能通过增量学习的范例回放机制优先保留，从而在任务阶段间保持其恶意效果。在RadioML2018.01a数据集上的实验结果表明，FABA在各种触发器设计、触发器参数和后门样本数量的情况下均能持续提升攻击成功率，同时保持对干净样本分类性能的最小影响。具体而言，FABA将三种类型触发器的攻击成功率分别提升至93.20%、91.73%和92.24%，较非优化基线最高提升14.5%。同时，干净样本的良性准确率几乎与干净模型持平，准确率下降均保持在6%以下，且FABA能有效规避常见的后门防御方法。这些结果突显了FABA在类增量后门攻击场景中的有效性和隐蔽性。值得注意的是，实验结果表明类增量AMR和特征对齐操作计算开销极大，需要高性能计算和并行处理以实现高效训练和近实时部署。
Keyword:
Automatic modulation recognition
Backdoor attack
Class-incremental learning
Deep learning
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
BadNets: Evaluating Backdooring Attacks on Deep Neural NetworksBadNets: 评估对深度神经网络的后台攻击.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Cross-Scale Embedding Based Fusion Transformer for Automatic Modulation Recognition基于跨尺度嵌入的自动调制识别融合变换器
PREAI
分享收藏Automatic modulation recognition of radio fuzes using a DR2D-based adaptive denoising method and textural feature extractionDEFENCE TECHNOLOGYOAAI
DEFENCE TECHNOLOGYIF5.9
OAAI分享收藏
Efficient convolutional dual-attention transformer for automatic modulation recognitionAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容