通过人工大脑刺激来检测神经网络中的后门

介绍

这一次主要给大家介绍一篇CCS19的工作，“ABS: Scanning Neural Networks for Back-doors by Artificial Brain Stimulation”。

在深度学习之中，存在着一种后门攻击（backdoor attack），它包括两个部分：

• 被植入后门的深度网络（trojaned model, model with backdoors）

• 触发后门的触发器 （trigger）

一旦我们在输入上添加对应的触发器，就会触发网络的后门，使其决策错误；而当输入为正常输入时，模型的表现同正常的模型无异。

有关后门攻击的更多内容，你可以查看我的这篇文章

我们先前介绍过了一个著名的防御工作 Neural Cleanse（之后简称为NC），对后门进行检测、还原以及后续利用神经元裁剪的手段进行防御。

他们观察到，触发器加到输入上，会使得模型的某些神经元表现异常，利用简单的异常检测方法，就可以找出这些过度激活的神经元并且裁剪掉。

我这次介绍的工作，也是一种对模型内部的神经元进行分析的检测手段，那么他们是如何和NC区别开的呢？

1. NC可能不能够对后门的触发器进行逆向

2. NC需要大量的输入样本来实现高的性能

3. NC对于较大的触发器可能会失效

4. NC对于在特征空间上的攻击可能表现不佳（与像素空间不同）

我会对这几个动机做进一步的分析，对此不感兴趣的读者，可以直接跳到下一个部分阅读该工作的细节，但是对于科研工作者而言，还是有必要好好分析这些动机的。

这几个动机，我们需要好好看看，到底是不是核心！

关于第一个点，NC不能够对逆向出来后门触发器，这里文章举了一个例子

image-20210420162913708

如上图所示，图片（a）代表触发器，作者将这个触发器植入到飞机类别（Airplane）。（也就是输入上加入触发器，就是使得分类器分类为飞机）

我们观察到，在对标签为鹿进行触发器逆向的时候，我们还原出来的是类似鹿的特征，如图（b）所示。

而在对飞机类别进行触发器逆向的时候，则表现不稳定，有60%的概率生成（d）触发器，有40%的概率生成（c）特征。

的确，NC在逆向出触发器的时候的确不稳定，但是我们真的需要稳定逆行出触发器吗？NC的假设是，我们生成对应触发器的难度在后门对应的目标上会更小，只要满足这个假设就可以。

我们来看看第二个点，NC需要大量的输入样例来获得高的性能。

文章原文是

... , the detection success rate is around 67% for triggers whose size is 6% of an input image. When there is only one input sample per label (10 images in total), the detection accuracy degrades to 20%.

意思就是，一旦我们将可用的输入缩减到10张，正确率就会下降到20%。

乍一看很有道理，但我们翻翻他的实验部分。

image-20210420164239194

可以看到，我只需要将数据量提升到100张图片，正确率就已经到60%了，100张输入总不算多吧。

不得不说，这个点我觉得比较弱了，属于文章包装的部分

我们再来看看第三点，对于较大触发器失效这件事。

image-20210420164532577

如上图所示，当我们的触发器比较大的时候（超过6%），NC的检测正确率会下降的非常快，这可能是因为触发器的特征已经盖过去原本的特征了。

就相当于你的触发器基本上是一个完整的实体了，那么分类出错有时候也不能认为是网络的问题。

只不过这里到6%就下降很多，可惜的是，我在文中没能看到具体的示例。

于是呢，为了更为具体，我自己在CIFAR-10上构造了不同比例的触发器的样例，大家可以参考

Clean	6%
hourse	hourse-6

CIFAR-10输入是32x32，所以6%约是8x8的一个区域

这么一个区域其实已经非常明显了，所以检测精度下降应该是正常的事。

最后来看看第四点区别，NC对于特征空间上的攻击可能表现不佳。

先看看这里所说的特征空间的攻击究竟是啥

image-20210420172312115

如上图所示，看上去似乎是色彩风格上的变换，也就是将触发器设置成一种色彩风格。

image-20210420172532969

我们来看看这个表格，对于NC我们只需要看最右边的，满状态的NC方法在特征触发器上表现不佳，最多只有33%的检测精度，一个理解是这种风格上的触发器，会使得先前的神经元不会过度激活，攻击更为隐蔽。

我们分析了NC方法的一些“缺陷”之后，我们来看看新的方法吧。

新的方法

首先给出两个观测：

• 成功的后门攻击会产生“被危害的”神经元

• 这些有害神经元表征了一个子空间，该空间割裂了整个空间

第一个观测和NC的基本一致，即触发器会引起一些神经元表现异常。

割裂原本的空间这回事，作者只给出了朴素情况下的示例。

存在着这些假设，下一步就是如何找到这些“有害”的神经元。

这里给出大致的步骤（参考于其github实现），来找到候选的有害神经元：

• 首先对于某一个固定的层，随机选取一个通道

• 然后对于一堆可信的图片，计算出该通道下最大的激活值

• 将该通道下所有的激活值替换为最大激活值

• 将这个中间输出继续输入给下一个层

• 如果，最后的结果导致分类错误，并且对于超过90%的图片，都导致同一错误分类结果

• 则将该层的该通道记为“候选的有害神经元”

在代码的实现上，这里都用的整个通道来表示一个神经元

找到这些候选的有害的神经元之后，便需要确定是否的确是有害的神经元，于是，作者通过反向构造触发器，通过验证该构造的触发器的有效性，来判别是否是有害的神经元。

那么如何构造触发器呢？该工作使用的是梯度下降的策略

损失函数为

其中所有的权重 ， 是该候选神经元的激活值， 是候选神经元激活值和其他神经元激活值的差异, 是触发器的区域， 刻画原图和加触发之后的相似程度。

故，优化目标为，最大化该候选神经元激活值， 但最小化和其他神经元的激活值差异，最小化触发器的面积，同时最大化和原图的相似程度。

REASR分数

在前面我们说到，本文使用候选的有害神经元生成的触发器，再根据该触发器的有效性来判别是否有后门。

这里便引入了一个REASR分数，REASR即 Attack Success Rate of Reverse Engineered trojan triggers.

也就是基于逆向工程的触发器的攻击成功率，这个逆向工程就是我们先前说到的，基于梯度下降的触发器生成方法。

image-20210424194307919

如上图所示，该分数对于后门模型有着较强的刻画能力。

实验评估

我们先来看看后门检测的成功率，和NC进行对比，如下图所示，在多个数据集上针对两种攻击形式表现出色。

[图片上传中...(image-6816b2-1619265304679-3)]

然后我们来看看计算的时间代价

image-20210424194552209

如上图所示，NC需要计算较多时间，ABS由于基于采样，缩减了许多计算耗时。

结论

ABS相比较于NC，从计算速度和准确性上都获得了较大的提升，不过可惜的是，文章并没有针对一些新的后门攻击做出实验。

整体上看，该工作的包装性是比较高的，比如用神经元来进行分析，但是实现上却是整个通道。

并且，该工作还是依赖于“触发器会引发异常的激活值”这一假设，那么，在进一步更为隐蔽的后门攻击下，该方法的有效性仍需要验证。