基于机器学习在公共云中的攻击和防御
2022-03-18周思明李丹
网络安全技术与应用 2022年1期
关键词:模型
◆周思明 李丹
基于机器学习在公共云中的攻击和防御
◆周思明 李丹
(四川大学锦城学院 四川 611731)
对于现在新兴的云服务,传统的安全防御方法对云平台安全已经不起作用了。现在针对对抗性攻击和云服务的特点,提出了面向机器学习应用的安全开发生命周期:ML for SDL。它通过减少ML-as-a-service中的漏洞数量和漏洞的严重性,降低了开发成本,帮助安全人员构建更安全的软件。
计算机网络安全;云平台;图像处理
近年来,机器学习技术被广泛应用于计算机视觉分类问题,但有序机器学习的训练过程长,成本高,为了进一步拓宽和简化机器学习算法的使用,亚马逊、谷歌、微软、和其他公共云公司开发了一种在云端训练自己模型的工具:ML-as-a-service。因此,用户和公司可以很容易地从机器学习应用程序中受益,并且无需培训或托管自己的模型。但显然,无论是公共云公司还是传统安全公司都不太注意这些针对云平台的攻击和防御。因此公共云的防御显得尤为脆弱。但由于公共云有大量的人来使用,有些错误的操作依然会给攻击者留下机会,因此我们提出不仅要增强模型的稳定性,还要对使用云平台的相关人员进行安全培训。
本文针对机器学习应用的攻击,提出了有效的防御和缓解措施,提出了ML for SDL,它可以成为机器学习与应用程序的安全开发生命周期。它包括对抗性攻击、入侵检测、安全检测和安全增强。
1 敌对攻击和空间攻击
1.1 问题公式化
比如一个图像分类或者图像检测的模型F,是从输入的图片中生成一系列的标签。……
登录APP查看全文
