Edge-Only Universal Adversarial Attacks in Distributed Learning

Giulio Rossolini

doi:10.1109/tifs.2026.3725571

Edge-Only Universal Adversarial Attacks in Distributed Learning

2026-08-19

0

PRE

AI

DOI：10.1109/tifs.2026.3725571

原文链接

原文求助

摘要

En 中文

分布式学习框架将神经网络模型分割到多个计算节点，提高了协作边缘-云系统的效率，但也可能引入对抗性攻击的新漏洞，通常以对抗性扰动形式出现。本文提出了一种新的威胁模型，探讨了当攻击者仅能访问模型的边缘部分（即其初始网络层）时生成通用对抗性扰动（UAP）的可行性。与传统需要完整模型知识的攻击不同，我们的方法表明，攻击者可以通过操纵边缘处的关键特征表示，在未知的云组件中诱导有效的误预测。基于所提出的威胁模型，我们引入了仅边缘部分的非定向和定向UAP形式，旨在控制分割点前的中间特征。我们在ImageNet上的实验结果表明，该方法对未知云部分的攻击具有强迁移性，并与传统的白盒和黑盒技术进行了比较，突显了其有效性。此外，我们分析了攻击者仅通过边缘知识实现定向对抗性效果的能力，揭示了跨多个网络的有趣行为。通过在分割推理中引入首个仅依赖边缘知识的对抗性攻击，本研究强调了在对抗鲁棒性中解决部分模型访问的重要性，并鼓励该领域的进一步研究。

Keyword:

Adversarial attacks

robustness

IoT and cyber-physical systems (CPS) security

Edge-Only Universal Adversarial Attacks in Distributed Learning

摘要

期刊

机构

引用论文