针对对抗性补丁攻击的可认证防御的性能测量与分析

我们考虑基于深度学习的实时安全关键型网络物理系统（CPS），如自动驾驶和机器人，这些嵌入式计算平台通常由于SWaP-C（尺寸、重量、电源和成本）限制而运行在有限的硬件资源下。在基于计算机视觉的深度学习感知中，对抗性补丁攻击已经成为欺骗分类器的有效方法。这些攻击涉及在输入图像上放置一个精心制作的补丁，构成了一种可物理实现和实用的威胁。针对这些攻击的防御技术仍然是一个活跃的研究领域。在本研究中，我们评估并比较了六种著名的可认证对抗性补丁防御，涵盖14个模型，跨三个不同的硬件平台。我们分析了它们在准确性和处理时间方面的性能，突出关键权衡。本文旨在为选择实时安全关键应用中的对抗性补丁防御算法提供参考。