.png){kind=icon}
返回
AdvGen-X: Transferability driven adversarial example generation for pre-trained models of code
.png){kind=icon}
PRE
AI
DOI：10.1007/s10664-026-10864-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预训练代码模型在软件工程中扮演着重要角色。但它们易受对抗样本的威胁，即能够误导目标模型做出错误预测的样本。近期研究表明，这些对抗样本可以在不同模型间迁移。然而，现有方法仅能从目标模型自身生成对抗样本，无法发现来自其他模型的迁移性对抗样本，而这些样本可能被攻击者利用，对目标代码模型构成潜在威胁。本文提出AdvGen-X，一种从迁移性视角出发的预训练代码模型对抗样本生成方法。首先，AdvGen-X利用鲁棒性引导的知识蒸馏生成鲁棒学生模型作为目标模型的代理模型。然后，AdvGen-X为代理模型生成对抗样本。最后，AdvGen-X将代理模型的对抗样本迁移至目标模型进行攻击。在九个预训练代码模型上的实验结果表明，基于AdvGen-X的基线方法ALERT和CARROT的攻击成功率分别平均提升了16.26%和17.98%，而使用AdvGen-X优化后的ALERT和CARROT的时间成本分别降低了63.74%和66.58%。
Keyword:
Adversarial example generation
Pre-trained models of code
Knowledge distillation
Transferability
期刊
IF:
3.6
论文数:
2.0K
被引数:
5.3K
机构
引用论文
X. Li, G. Meng, S. Liu, L. Xiang, K. Sun, K. Chen, X. Luo, Y. Liu, Attribution-guided Adversarial Code Prompt Generation for Code Completion Models, in: Proceedings of the 39th IEEE/ACM International Conference on Automated Software Engineering, 2024, pp. 1460–1471.X. Li, G. Meng, S. Liu, L. Xiang, K. Sun, K. Chen, X. Luo, Y. Liu, 归因引导的对抗性代码提示生成用于代码补全模型, 载: 第39届IEEE/ACM国际自动化软件工程会议论文集, 2024, 第1460-1471页..png)
IF0
PREAI
分享收藏
查看更多内容