.png){kind=icon}
返回
Practical and Flexible Backdoor Attack Against Deep Learning Models via Shell Code Injection
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2026.3662587.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，旨在将恶意逻辑植入深度学习模型（DLMs）的后门攻击已引起广泛关注。其中，非污染型后门攻击因对基于DLMs的网路人工智能应用构成的威胁而展现出显著的发展前景。然而，以往针对DLMs的非污染型后门攻击局限于不切实际的攻击形式，导致其在攻击复杂度和攻击适应性方面存在一定缺陷。为解决上述问题，本文提出了一种名为shell code injection（SCI）的新型后门攻击框架，以实现对DLMs的更低复杂度、更高适应性的后门攻击。具体而言，为降低攻击复杂度，我们阐述了受自然生物行为（如蟹类的伪装与攻击策略）启发的逻辑驱动型隐蔽后门shell。通过引入触发器一致性验证和短路代码封装策略，SCI无需训练即可根据预设的有毒决策逻辑诱导受害模型输出错误预测。为增强攻击适应性，我们设计了大型语言模型（LLM）辅助的自适应攻击目标代码生成，该生成包括模型概念检测模块和攻击目标调整模块。由于攻击目标可根据已知的受害模型信息及攻击者预设指令动态生成，SCI能够实现更灵活的攻击性能。大量实验表明，所提出的后门攻击框架在各种设置下均展现出卓越的攻击能力（准确率接近100%）。此外，我们提供了结合网络攻击与SCI的案例研究，该研究也显示出新型后门攻击的想象空间。代码已发布于https://github.com/WDQhello/Shell_attack/。
Keyword:
Backdoor attack
non-poisoning-based backdoor
malicious code generation
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
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Manipulating Pre-Trained Encoder for Targeted Poisoning Attacks in Contrastive Learning在对比学习中操纵预训练的编码器进行针对性的中毒攻击
PREAI
分享收藏分享收藏
分享收藏
查看更多内容