.png){kind=icon}
返回
Adversarial Attacks on Evolutionary Algorithms Solving Data-Driven Optimization Problems [Research Frontier]
.png){kind=icon}
PRE
AI
DOI：10.1109/MCI.2025.3631574.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过去几十年来，深度学习领域针对对抗攻击与防御机制进行了广泛研究，特别是在自动驾驶车辆、医疗诊断等实际应用中。近期研究表明，用于解决数据驱动优化问题的进化算法同样易受对抗攻击。然而，针对此类情境的对抗攻击研究尚未启动。实施此类攻击比针对深度神经网络的攻击更具挑战性，主要由于进化算法缺乏明确的梯度或损失函数，这增加了现有攻击方法的应用难度。为解决此问题，本文提出了一种针对解决数据驱动优化问题的进化算法的新型对抗攻击模型。为模拟现实世界中的恶意行为，本文提出了一种攻击算法，该算法开发了扰动截断和子种群过滤策略，同时支持一种新的稀疏算子，以确保攻击的破坏性和不可感知性。通过在单目标和多目标优化问题的数据集上进行实验评估，验证了所提模型和算法的有效性。这些实验解决了三个关键问题：数据集的小扰动能否显著降低进化算法的性能？如果是，稳健的进化算法是否比传统算法更能抵抗攻击？此外，一种进化算法生成的扰动是否也能降低其他进化算法的性能？本研究强调了进化算法在现实应用中的安全性重要性，并为未来可信进化算法的发展提供了有价值的见解。
Keyword:
Adversarial machine learning
Evolutionary computation
Data models
Optimization
Cyberattack
Malware
期刊
IF:
11.2
论文数:
613
被引数:
3.1K
机构
引用论文
.png){kind=icon}
Multi-Objective Evolutionary Optimization for Worst-Case Analysis of False Data Injection Attacks in the Smart Grid多目标进化优化在智能电网虚假数据注入攻击的最坏情况分析中的应用
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏
查看更多内容