发表服务
一种基于攻击向量自动生成XSS漏洞渗透测试方法.doc,一种基于攻击向量自动生成的XSS漏洞渗透测试方法摘要：针对XSS漏洞自动化检测方法在检测效率方面的不足，研究了改进的基于渗透测试的检测方法。提出一种攻击向量自动化生成方法，同时使用机器学习算法对生成的攻击向量进行优化和分类...
论文：ThreatofAdversarialAttacksonFaceRecognition:AComprehensiveSurvey面部识别（FR）模型易受到不同类型的攻击：1、物理攻击，在图像被捕获前修改面部的物理外观，如presentationattacks（又称spoofingattacks）；2、数字攻击，对捕获的面部图像实现修改，如对抗性攻击和变形攻击。
1.不同于之前的基于最优化的方法，我们训练了一个基于条件的生成对抗网络直接生成对抗样本，这种方法的好处是不仅可以生成视觉上更加自然真实以及在不同的目标模型中达到最好的攻击成功率的对抗样本，同时这种生成方法更加高效。.2.我们的实验结果...
目录攻击防御攻击1.PolishingDecision-BasedAdversarialNoiseWithaCustomizedSampling.《通过自定义采样产生基于决策的对抗性噪声》作为有效的黑盒对抗攻击，基于决策的方法通过查询目标模型来消除对抗噪声。其中，边界攻击由于其强大的...
2.攻击模型作者针对传统攻击的局限性和DNNs的优势，提出了自己的攻击模型：利用现有的评论数据训练一个RNN语言生成模型，再利用训练好的RNN语言生成模型生成评论，完成自动众包攻击。要实现这种攻击模型，我们必须的满足以下假设：
2020AI顶会的腾讯论文解读|多模态学习、视频内容理解、对抗攻击与对抗防御等「AI核心算法」.计算机视觉领域三大顶会之一的ECCV（欧洲计算机视觉会议）今年于8月23-28日举办。.受新冠肺炎疫情影响，今年的ECCV与CVPR一样是完全的线上会议。.近日，ECCV...
文章申明文章作者：MatiurRahmanMiner，JibonNaher责任编辑：夏洛克审核编辑：阿春微信编辑：玖蓁本文转载自公众号人工智能与算法机器（ID：AI-algorithm-study）原文链接：【综述】一篇适合新手的深度…
文本对抗样本中攻击效率对于评估攻击方法也很重要，尤其是当将攻击作为一种防御方法纳入对抗训练时。.对抗训练需要高效训练才能有效地提高模型的鲁棒性。.如下表所示，FGPM生成200个对抗样本的平均时间是GSA的近20倍，是基于同义词替换的第二快...
P.Ning在文章[10]利用IDS警报产生的信息实现了多目标攻击图的生成。不足的是，此两种方法都有较高时间复杂度。目前，大部分攻击图的生成是在对某个主机的安全策略进行规定后得出的[11,12,13,14,15,16,17]，要得到整个网络的攻击信息比较困难。
此外，为评估所该方法的实用性，本文在MicrosoftAzure平台上攻击了在线机器学习模型，在线模型错误地分类了本文方法生成的98.35％的对抗性样本。据知，这是首无需任何真实数据即可生成替身模型并用来产生对抗攻击的工作。本文已入选CVPR2020Oral
一种基于攻击向量自动生成XSS漏洞渗透测试方法.doc,一种基于攻击向量自动生成的XSS漏洞渗透测试方法摘要：针对XSS漏洞自动化检测方法在检测效率方面的不足，研究了改进的基于渗透测试的检测方法。提出一种攻击向量自动化生成方法，同时使用机器学习算法对生成的攻击向量进行优化和分类...
论文：ThreatofAdversarialAttacksonFaceRecognition:AComprehensiveSurvey面部识别（FR）模型易受到不同类型的攻击：1、物理攻击，在图像被捕获前修改面部的物理外观，如presentationattacks（又称spoofingattacks）；2、数字攻击，对捕获的面部图像实现修改，如对抗性攻击和变形攻击。
1.不同于之前的基于最优化的方法，我们训练了一个基于条件的生成对抗网络直接生成对抗样本，这种方法的好处是不仅可以生成视觉上更加自然真实以及在不同的目标模型中达到最好的攻击成功率的对抗样本，同时这种生成方法更加高效。.2.我们的实验结果...
目录攻击防御攻击1.PolishingDecision-BasedAdversarialNoiseWithaCustomizedSampling.《通过自定义采样产生基于决策的对抗性噪声》作为有效的黑盒对抗攻击，基于决策的方法通过查询目标模型来消除对抗噪声。其中，边界攻击由于其强大的...
2.攻击模型作者针对传统攻击的局限性和DNNs的优势，提出了自己的攻击模型：利用现有的评论数据训练一个RNN语言生成模型，再利用训练好的RNN语言生成模型生成评论，完成自动众包攻击。要实现这种攻击模型，我们必须的满足以下假设：
2020AI顶会的腾讯论文解读|多模态学习、视频内容理解、对抗攻击与对抗防御等「AI核心算法」.计算机视觉领域三大顶会之一的ECCV（欧洲计算机视觉会议）今年于8月23-28日举办。.受新冠肺炎疫情影响，今年的ECCV与CVPR一样是完全的线上会议。.近日，ECCV...
文章申明文章作者：MatiurRahmanMiner，JibonNaher责任编辑：夏洛克审核编辑：阿春微信编辑：玖蓁本文转载自公众号人工智能与算法机器（ID：AI-algorithm-study）原文链接：【综述】一篇适合新手的深度…
文本对抗样本中攻击效率对于评估攻击方法也很重要，尤其是当将攻击作为一种防御方法纳入对抗训练时。.对抗训练需要高效训练才能有效地提高模型的鲁棒性。.如下表所示，FGPM生成200个对抗样本的平均时间是GSA的近20倍，是基于同义词替换的第二快...
P.Ning在文章[10]利用IDS警报产生的信息实现了多目标攻击图的生成。不足的是，此两种方法都有较高时间复杂度。目前，大部分攻击图的生成是在对某个主机的安全策略进行规定后得出的[11,12,13,14,15,16,17]，要得到整个网络的攻击信息比较困难。
此外，为评估所该方法的实用性，本文在MicrosoftAzure平台上攻击了在线机器学习模型，在线模型错误地分类了本文方法生成的98.35％的对抗性样本。据知，这是首无需任何真实数据即可生成替身模型并用来产生对抗攻击的工作。本文已入选CVPR2020Oral
发表服务