網(wǎng)絡(luò)犯罪分子遠(yuǎn)程操縱和對機器學(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)用范圍從面部識別和天氣預(yù)報應(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)險報告，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)險之一。 

網(wǎng)絡(luò)安全和人工智能不可避免地會在某個時候交叉，但這個想法旨在利用人工智能的力量來加強網(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)。危險在于機器學(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，因為攻擊者偽裝成算法用戶。

如何操縱機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)？

機器學(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，他們可以確定機密的用戶信息，如銀行帳號、社會保障詳細(xì)信息、人口統(tǒng)計信息和其他用作機器學(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、個人和開源數(shù)據(jù)庫等獨立方。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)，從而使算法對其進(jìn)行錯誤分類。

例如，如果您正在訓(xùn)練識別馬的算法，該算法將處理訓(xùn)練數(shù)據(jù)集中的數(shù)千張圖像以識別馬。為了加強這種學(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)入機器學(xué)習(xí)模型。后門是模型設(shè)計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，它應(yīng)該被歸類為良性。現(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，它就會按照訓(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。盡管機器學(xué)習(xí)模型適用于廣義數(shù)據(jù)，但它們在訓(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。

如何檢測和預(yù)防數(shù)據(jù)中毒實例？

模型會定期用新數(shù)據(jù)重新訓(xùn)練，正是在這個重新訓(xùn)練期間，有毒數(shù)據(jù)可以被引入訓(xùn)練數(shù)據(jù)集中。由于它隨著時間的推移而發(fā)生，因此很難跟蹤此類活動。在每個訓(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試、回歸測試、速率限制和其他統(tǒng)計技術(shù)來強制阻止或檢測此類輸入。他們還可以限制來自單個用戶的輸入數(shù)量，檢查是否有來自相似 IP 地址或帳戶的多個輸入，并針對黃金數(shù)據(jù)集測試重新訓(xùn)練的模型。黃金數(shù)據(jù)集是基于機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集的經(jīng)過驗證且可靠的參考點。 

黑客需要有關(guān)機器學(xué)習(xí)模型如何工作以執(zhí)行后門攻擊的信息。因此，通過實施強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踐將加強模型安全性并保護(hù)機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)免受中毒攻擊。

通過滲透測試構(gòu)建防御

企業(yè)在對其網(wǎng)絡(luò)進(jìn)行定期滲透測試時，應(yīng)考慮測試機器學(xué)習(xí)和人工智能系統(tǒng)。滲透測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)人員可以類似地對他們的算法進(jìn)行模擬攻擊，以了解他們?nèi)绾螛?gòu)建針對數(shù)據(jù)中毒攻擊的防御。當(dāng)您測試您的模型是否存在數(shù)據(jù)中毒漏洞時，您可以了解可能添加的數(shù)據(jù)點并構(gòu)建丟棄此類數(shù)據(jù)點的機制。 

即使是看似微不足道的不良數(shù)據(jù)也會使機器學(xué)習(xí)模型失效。黑客已適應(yīng)利用這一弱點并破壞企業(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。