ترجمه فارسی مقاله در مورد امکان‌سنجی حملات مبهم‌سازی عمدی

چکیده

Intent obfuscation is a common tactic in adversarial situations, enabling the attacker to both manipulate the target system and avoid culpability. Surprisingly, it has rarely been implemented in adversarial attacks on machine learning systems. We are the first to propose using intent obfuscation to generate adversarial examples for object detectors: by perturbing another non-overlapping object to disrupt the target object, the attacker hides their intended target. We conduct a randomized experiment on 5 prominent detectors — YOLOv3, SSD, RetinaNet, Faster R-CNN, and Cascade R-CNN — using both targeted and untargeted attacks and achieve success on all models and attacks. We analyze the success factors characterizing intent obfuscating attacks, including target object confidence and perturb object sizes. We then demonstrate that the attacker can exploit these success factors to increase success rates for all models and attacks. Finally, we discuss main takeaways and legal repercussions.

چکیده به فارسی (ترجمه ماشینی)

انسداد قصد یک تاکتیک رایج در موقعیت های مخالف است و مهاجم را قادر می سازد که هم سیستم هدف را دستکاری کند و از مقصر بودن جلوگیری کند.با کمال تعجب ، این به ندرت در حملات مخالف به سیستم های یادگیری ماشین اجرا شده است.ما اولین کسی هستیم که با استفاده از انسداد قصد برای تولید نمونه های مخالف برای ردیاب های شیء پیشنهاد می کنیم: با آشفتگی یک شی غیر همپوشانی دیگر برای ایجاد اختلال در شیء هدف ، مهاجم هدف مورد نظر خود را پنهان می کند.ما یک آزمایش تصادفی را در 5 آشکارساز برجسته-YOLOV3 ، SSD ، RETINANET ، سریعتر R-CNN و Cascade R-CNN انجام می دهیم-با استفاده از حملات هدفمند و بدون هدف و به موفقیت در همه مدل ها و حملات.ما فاکتورهای موفقیت را توصیف می کنیم که در مورد حملات مبهم ، از جمله اعتماد به نفس شیء هدف و اندازه شیء آشفته.ما سپس نشان می دهیم که مهاجم می تواند از این عوامل موفقیت استفاده کند تا نرخ موفقیت را برای همه مدل ها و حملات افزایش دهد.سرانجام ، ما در مورد عواقب اصلی و عواقب قانونی بحث می کنیم.