频域频道-智能攻击CNN机动图像中的分类器脑电脑接口

科学领域:

• 深度学习 (Deep Learning) 是一种深度学习.
• 大脑与计算机的接口
• 信号处理 信号处理

背景情况:

• 卷积神经网络 (CNN) 在运动图像大脑计算机接口 (MIBCI) 中被广泛使用.
• 评估MIBCI中CNN漏洞的现有方法主要使用时间扰动.
• 这些方法通常需要对受害者模型有详细的了解.

研究的目的:

• 为MIBCI系统提出一种基于频域扰动的新型攻击方法.
• 为了评估这种新方法与常见的CNN分类器的有效性.
• 为了展示一个更灵活的攻击策略,不需要详细的模型信息.

主要方法:

• 开发了一个频域通道智能攻击 (FDCA),在频域中产生干扰.
• 在黑盒场景中利用差异进化算法进行优化.
• 应用FDCA来攻击四个公共MI基准的三个主要CNN分类器.

主要成果:

• 与现有的方法和基线相比,FDCA在攻击CNN分类器方面取得了明显更高的成功率.
• 提出的频域扰动证明即使在黑盒设置中也有效.
• 在多个公共MI数据集中证明了FDCA的有效性.

结论:

• 频域干扰为利用CNN模型攻击MIBCI系统提供了极具竞争力和有效的战略.
• FDCA提供了基于梯度的攻击的灵活而强大的替代方案,提供了增强的模型保护.
• 这项研究促进了对MIBCI漏洞和黑子情景中的安全的理解.