.png){kind=icon}
返回
Misactivation-Aware Stealthy Backdoor Attacks on Neural Code Understanding Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TSE.2025.3614128.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经网络代码模型（NCMs）在帮助开发者解决代码理解任务中发挥着关键作用。近期研究揭示，NCMs容易受到多种安全威胁，其中后门攻击是最棘手的一种。它通常通过数据投毒实现。具体来说，被植入后门的NCMs在干净样本上表现正常，但在注入后门触发器的样本上会产生攻击者期望的输出。然而，现有的针对NCMs的后门攻击存在两大显著缺陷：1）缺乏隐蔽性，即当触发器标记数量过多时，防御技术或人类容易检测到它们；2）损害模型的正常性能，即部分触发器标记可能频繁地作为良性特征出现在干净样本中，导致包含这些标记的干净样本可能错误地激活后门。为解决这些问题，我们提出了一种基于数据投毒的、针对NCMs的防误触发隐蔽后门攻击方法，称为MisNCM。MisNCM具有目标偏置的触发器生成机制，从而实现隐蔽的后门攻击。此外，我们利用防误触发的数据投毒方法创建包含部分触发器标记的校准样本，以减少误触发并确保模型的常规性能。我们进行了全面的实验，评估了MisNCM在攻击用于三种代码理解任务（缺陷检测、克隆检测和作者归属）的NCMs上的有效性。实验结果表明，MisNCM生成的触发器相比IR和AFRAIDOOR基线，平均攻击成功率分别提升了12.67%和8.38%。此外，与两个基线相比，MisNCM在代码克隆检测任务上的F1分数提升了3.64%，在缺陷检测和作者归属任务上的准确率平均提升了5.91%。
Keyword:
Backdoor attack
neural code models
code understanding tasks
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容