基于敵手感知模式分類的研究與應(yīng)用.pdf

1、為應(yīng)對(duì)敵手可能對(duì)機(jī)器學(xué)習(xí)算法實(shí)施的攻擊，本文初步研究了對(duì)抗環(huán)境下的模式分類問題。通過在機(jī)器學(xué)習(xí)算法中融入關(guān)于敵手攻擊的先驗(yàn)知識(shí)以應(yīng)對(duì)可能存在的敵手攻擊，進(jìn)行敵手感知分類器設(shè)計(jì)。
　　本文首先分別從對(duì)抗學(xué)習(xí)、敵手攻擊、對(duì)抗型分類器設(shè)計(jì)和性能評(píng)估四個(gè)方面探究了對(duì)抗模式分類問題，論述了對(duì)抗學(xué)習(xí)問題和傳統(tǒng)兩類問題的區(qū)別，提出了符合某些實(shí)際場合的敵手攻擊模型，總結(jié)了對(duì)抗型分類器設(shè)計(jì)方法和性能評(píng)估方法。在此基礎(chǔ)上，初步地在垃圾郵件過濾數(shù)據(jù)集上

2、評(píng)估了常用線性分類算法防御敵手攻擊的能力，實(shí)驗(yàn)結(jié)果初步表明支持向量機(jī)（SVM）具有相對(duì)較好的對(duì)抗性，針對(duì)其在最壞情況攻擊場景中存在的性能下降，依據(jù)最壞情況攻擊的特點(diǎn)設(shè)計(jì)了抗最壞情況攻擊的支持向量機(jī)（LW-SVM），并在垃圾郵件過濾數(shù)據(jù)集上初步驗(yàn)證了其有效性。
　　基于本文提出的敵手攻擊模型，進(jìn)一步發(fā)展出了對(duì)抗型分類器框架。具體而言，該框架通過統(tǒng)計(jì)待檢測樣本的候選惡意樣本來估計(jì)可能存在的敵手偽裝行為，并據(jù)此重估樣本分布以緩解敵手攻擊