網(wǎng)絡(luò)犯罪分子遠(yuǎn)程操縱和對(duì)機(jī)器學(xué)習(xí)模型性能產(chǎn)生負(fù)面影響并不難。

惡意用戶可以毒害機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)，非法訪問訓(xùn)練數(shù)據(jù)集中的敏感用戶信息，并導(dǎo)致類似的其他問題。

機(jī)器學(xué)習(xí)和人工智能的采用在過去十年中飆升。涉及這些技術(shù)的應(yīng)用范圍從面部識(shí)別和天氣預(yù)報(bào)應(yīng)用到復(fù)雜的推薦系統(tǒng)和虛擬助手。隨著人工智能越來越融入我們的生活，人工智能系統(tǒng)中的網(wǎng)絡(luò)安全問題也隨之而來。根據(jù)世界經(jīng)濟(jì)論壇 2022 年全球風(fēng)險(xiǎn)報(bào)告，網(wǎng)絡(luò)安全故障是未來十年最值得關(guān)注的 10 大全球風(fēng)險(xiǎn)之一。 

網(wǎng)絡(luò)安全和人工智能不可避免地會(huì)在某個(gè)時(shí)候交叉，但這個(gè)想法旨在利用人工智能的力量來加強(qiáng)網(wǎng)絡(luò)安全。雖然它存在于自己的位置，但也需要網(wǎng)絡(luò)安全的力量來保護(hù)機(jī)器學(xué)習(xí)模型的完整性。這些模型的威脅來自源頭：模型訓(xùn)練數(shù)據(jù)。危險(xiǎn)在于機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)可能被黑客遠(yuǎn)程或現(xiàn)場(chǎng)操縱。網(wǎng)絡(luò)犯罪分子操縱訓(xùn)練數(shù)據(jù)集以影響算法的輸出并降低系統(tǒng)防御。這種方法通常無法追蹤，因?yàn)楣粽邆窝b成算法用戶。

如何操縱機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)？

機(jī)器學(xué)習(xí)周期涉及使用更新的信息和用戶見解進(jìn)行持續(xù)訓(xùn)練。惡意用戶可以通過向機(jī)器學(xué)習(xí)模型提供特定輸入來操縱此過程。使用被操縱的記錄，他們可以確定機(jī)密的用戶信息，如銀行帳號(hào)、社會(huì)保障詳細(xì)信息、人口統(tǒng)計(jì)信息和其他用作機(jī)器學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)的分類數(shù)據(jù)。

黑客用來操縱機(jī)器學(xué)習(xí)算法的一些常用方法是：

數(shù)據(jù)中毒攻擊

數(shù)據(jù)中毒涉及損害用于機(jī)器學(xué)習(xí)模型的訓(xùn)練數(shù)據(jù)。這些訓(xùn)練數(shù)據(jù)來自開發(fā)人員、個(gè)人和開源數(shù)據(jù)庫等獨(dú)立方。如果惡意方參與向訓(xùn)練數(shù)據(jù)集提供信息，他們將輸入精心構(gòu)建的“有毒”數(shù)據(jù)，從而使算法對(duì)其進(jìn)行錯(cuò)誤分類。

例如，如果您正在訓(xùn)練識(shí)別馬的算法，該算法將處理訓(xùn)練數(shù)據(jù)集中的數(shù)千張圖像以識(shí)別馬。為了加強(qiáng)這種學(xué)習(xí)，您還輸入了黑白奶牛的圖像來訓(xùn)練算法。但是，如果不小心將棕色奶牛的圖像添加到數(shù)據(jù)集中，模型會(huì)將其分類為馬。該模型在被訓(xùn)練區(qū)分棕色母牛和棕色馬之前不會(huì)理解差異。

同樣，攻擊者可以操縱訓(xùn)練數(shù)據(jù)來教授有利于他們的模型分類場(chǎng)景。例如，他們可以訓(xùn)練算法將惡意軟件視為良性軟件，并將安全軟件視為危險(xiǎn)的使用有毒數(shù)據(jù)的軟件。

數(shù)據(jù)中毒的另一種方式是通過“后門”進(jìn)入機(jī)器學(xué)習(xí)模型。后門是模型設(shè)計(jì)者可能不知道的一種輸入類型，但攻擊者可以使用它來操縱算法。一旦黑客發(fā)現(xiàn)了人工智能系統(tǒng)中的漏洞，他們就可以利用它來直接教模型他們想要做什么。

假設(shè)攻擊者訪問后門以教導(dǎo)模型，當(dāng)文件中存在某些字符時(shí)，它應(yīng)該被歸類為良性?，F(xiàn)在，攻擊者可以通過添加這些字符來使任何文件成為良性文件，并且每當(dāng)模型遇到這樣的文件時(shí)，它就會(huì)按照訓(xùn)練好的內(nèi)容將其歸類為良性文件。

數(shù)據(jù)中毒還與另一種稱為成員推理攻擊的攻擊相結(jié)合。成員推理攻擊 (MIA) 算法允許攻擊者評(píng)估特定記錄是否是訓(xùn)練數(shù)據(jù)集的一部分。結(jié)合數(shù)據(jù)中毒，成員推理攻擊可用于部分重建訓(xùn)練數(shù)據(jù)內(nèi)部的信息。盡管機(jī)器學(xué)習(xí)模型適用于廣義數(shù)據(jù)，但它們?cè)谟?xùn)練數(shù)據(jù)上表現(xiàn)良好。成員推理攻擊和重建攻擊利用這種能力來提供與訓(xùn)練數(shù)據(jù)匹配的輸入，并使用機(jī)器學(xué)習(xí)模型輸出在訓(xùn)練數(shù)據(jù)中重新創(chuàng)建用戶信息。

如何檢測(cè)和預(yù)防數(shù)據(jù)中毒實(shí)例？

模型會(huì)定期用新數(shù)據(jù)重新訓(xùn)練，正是在這個(gè)重新訓(xùn)練期間，有毒數(shù)據(jù)可以被引入訓(xùn)練數(shù)據(jù)集中。由于它隨著時(shí)間的推移而發(fā)生，因此很難跟蹤此類活動(dòng)。在每個(gè)訓(xùn)練周期之前，模型開發(fā)人員和工程師可以通過輸入有效性測(cè)試、回歸測(cè)試、速率限制和其他統(tǒng)計(jì)技術(shù)來強(qiáng)制阻止或檢測(cè)此類輸入。他們還可以限制來自單個(gè)用戶的輸入數(shù)量，檢查是否有來自相似 IP 地址或帳戶的多個(gè)輸入，并針對(duì)黃金數(shù)據(jù)集測(cè)試重新訓(xùn)練的模型。黃金數(shù)據(jù)集是基于機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集的經(jīng)過驗(yàn)證且可靠的參考點(diǎn)。 

黑客需要有關(guān)機(jī)器學(xué)習(xí)模型如何工作以執(zhí)行后門攻擊的信息。因此，通過實(shí)施強(qiáng)大的訪問控制和防止信息泄露來保護(hù)這些信息非常重要。限制權(quán)限、數(shù)據(jù)版本控制和記錄代碼更改等一般安全實(shí)踐將加強(qiáng)模型安全性并保護(hù)機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)免受中毒攻擊。

通過滲透測(cè)試構(gòu)建防御

企業(yè)在對(duì)其網(wǎng)絡(luò)進(jìn)行定期滲透測(cè)試時(shí)，應(yīng)考慮測(cè)試機(jī)器學(xué)習(xí)和人工智能系統(tǒng)。滲透測(cè)試模擬潛在的攻擊以確定安全系統(tǒng)中的漏洞。模型開發(fā)人員可以類似地對(duì)他們的算法進(jìn)行模擬攻擊，以了解他們?nèi)绾螛?gòu)建針對(duì)數(shù)據(jù)中毒攻擊的防御。當(dāng)您測(cè)試您的模型是否存在數(shù)據(jù)中毒漏洞時(shí)，您可以了解可能添加的數(shù)據(jù)點(diǎn)并構(gòu)建丟棄此類數(shù)據(jù)點(diǎn)的機(jī)制。 

即使是看似微不足道的不良數(shù)據(jù)也會(huì)使機(jī)器學(xué)習(xí)模型失效。黑客已適應(yīng)利用這一弱點(diǎn)并破壞企業(yè)數(shù)據(jù)系統(tǒng)。隨著企業(yè)越來越依賴人工智能，他們必須保護(hù)機(jī)器學(xué)習(xí)訓(xùn)練數(shù)據(jù)的安全性和隱私性，否則就有失去客戶信任的風(fēng)險(xiǎn)。