Toward a Generalized Defense Across Sparse, Continuous, and Structured Parameter Attacks

doi:10.1109/tdsc.2026.3713473

Toward a Generalized Defense Across Sparse, Continuous, and Structured Parameter Attacks

2026-07-16

0

PRE

AI

DOI：10.1109/tdsc.2026.3713473

原文链接

原文求助

摘要

En 中文

深度神经网络越来越多地部署在异构和不完全可信的环境中，其中模型通过云存储、CI/CD流水线、容器化服务和边缘执行平台进行分发。这种广泛的部署环境使模型参数面临各种完整性风险。与输入空间对抗攻击不同，参数攻击直接篡改模型的内部参数，并在所有后续推理中持续存在。现有防御方法要么需要重新训练，要么导致显著准确率下降，或者仅限于特定攻击类型。然而，在实际部署场景中，参数攻击的形式往往是不可预测的。为应对这一挑战，我们提出ParDef，一种针对深度神经网络中各类参数攻击的通用防御方法。ParDef集成了密钥通道重参数化（模糊敏感参数方向）、QC-LDPC量化（嵌入冗余并支持错误纠正）和自适应鲁棒推理（在不确定性下稳定预测）。我们在CIFAR-10、CIFAR-100和Tiny-ImageNet上使用ResNet和VGG模型进行的评估，以及额外在ImageNet-1K和CIFAR-100上对DeiT模型的实验表明，ParDef在不同参数攻击下均能持续降低攻击成功率，同时保持高模型性能且仅产生适度的部署开销。这些结果凸显了ParDef是一种实用且通用的防御方法，可用于保护DNN部署中的静态模型参数。

Keyword:

Deep neural networks

parameter attacks

model robustness

neural network security

Toward a Generalized Defense Across Sparse, Continuous, and Structured Parameter Attacks

摘要

期刊

机构

引用论文