23、物联网中的对抗样本攻击与去中心化可信联邦学习训练节点筛选

物联网中的对抗样本攻击与去中心化可信联邦学习训练节点筛选

物联网中的对抗样本攻击

近年来，物联网（IoT）技术取得了巨大进展，正逐渐融入社会生活的各个领域，如自动驾驶、医疗保健等。随着物联网设备数量的爆炸式增长，预计到2025年，连接到全球网络的物联网设备数量将增加到超过75.44亿台。物联网覆盖了自动化、健康、交通、能源、制造等多个行业，并催生了自动驾驶和智慧城市等实际应用。

然而，当前的物联网系统面临着诸多安全威胁，其中由深度神经网络（DNN）的脆弱性所带来的安全威胁亟待解决。深度学习在模式识别、人脸识别、语音识别和自动驾驶等多个领域发挥着重要作用，由于其具备处理大量数据的能力，也被广泛应用于物联网领域。但大量研究证实，DNN在处理对抗操作时存在脆弱性，对抗样本能够通过对网络输入数据进行微小更改，迷惑DNN模型，导致错误判断。

背景知识

• 物联网（IoT） ：物联网是由各种传感、通信、网络和信息处理设备组成的网络基础设施，主要包括红外传感器、射频识别器、激光扫描仪、GPS等信息设备。如今，物联网广泛应用于智慧城市、自动驾驶、医疗保健等领域。在物联网系统中，各类设备可根据行业制定的协议和标准接入物联网，实现信息的交换和通信。由于系统庞大，每天会产生大量待处理的数据，因此DNN常被用于物联网决策，但这也给攻击者提供了可乘之机。整个物联网大致由感知层（接收数据）、网络层（交换数据）和应用层（处理数据）三部分组成。本文讨论的对抗样本攻击主要通过感知层精心设计的样本输入，使应用层的DNN产生误判。
• 对抗样本 ：对抗样本是在原始样本上添加了不可见扰动的样