Conheça o fogo cruzado: um amplo quadro de proteção de redes neurais gráficas sob ataques flip

As redes de nials gráficos (GNNs) recebem pedidos em diferentes casos, como processamento de análises ambientais, ambientais, recomendações etc. Devido ao seu uso generalizado, melhora as defesas do GNNs como um desafio crítico. Ao explorar os métodos de ataques de ataques em extinção, os pesquisadores receberam ataques de flip (BFA). Na mesma situação, o BFA é desenvolvido para as redes Neal Neal Neal (CNNs), mas o desenvolvimento recente mostrou que isso aumenta nos GNNs. Maneiras atuais de proteger os GNNs com limites sensíveis; Eles não poderão restaurar completamente a rede após ataques ou requer um ataque caro. Portanto, os pesquisadores da Universidade de Viena desenvolveram uma nova solução, cruzando o incêndio, que pode efetivamente usar métodos existentes para proteger e retornar redes.

Ataques de flutuação de bits para enganar cada bits dentro de um código binário de aprendizado duplo. Isso enfraquece o desempenho do modelo, criando um grande risco de segurança. Honeypots e proteção baseada no calor é o método atual de defesa. O Honeypot protege o trabalho, incluindo vários itens altos no programa; Qualquer alternativa ou muitos elementos podem indicar ataques. Os invasores, no entanto, agora passam por esses metais. A proteção baseada em hash é usada por um forte banho criptográfico para deixar mudanças no peso. Eles não podem, no entanto, preparar os danos causados.

O modelo proposto, The Crossfire, é um modelo, o baixo híbrido de recebimento com honeypot e uma proteção baseada no modelo de calor e retorna após um pequeno ataque de massa. A chave é – o método de envolver o fogo por:

• Codificação de redundância de bits: Crossfire define alguns instrumentos em zero para reduzir o número de instrumentos ativos no GNN. Isso guia os atacantes em meses críticos, impedindo lesões graves. O banho monitora regularmente instrumentos ativos, para encontrar quaisquer alterações. O peso do honeypot está bem colocado na atraição de atacantes e aponta rapidamente para o ataque.
• Redificação de peso elástico: A primeira camada de hashes aponta para a conversão após o ataque e depois a linha e a coluna Hashmes diretamente. O ajuste é feito usando o Honeypot em um nível pequeno ou zerod se algumas opções falharem.

Por todos os 2.160 ensaios, o incêndio mostrou o nível mais alto de 21,8% do GNN de reconstrução em seu ataque pré-ataque. A estrutura desenvolveu um processo multiredial para 10,85%, em média. O Crossfire manteve um desempenho mais alto que atinge 55 vias de vários ataques. Além disso, a adaptação do Freamepwork está permitindo os recursos com base nos ataques encontrados, tornando-o uma solução bem eficaz e poderosa.

Em conclusão, o roubo de roubo melhora a capacidade de proteção do GNN em um novo ataque de bit-flip, que funciona bem e funciona muito bem. A mais forte rea reantralização é cuidadosamente considerável para ataques de ataques, garante forte segurança e desempenho proeminente e colocam uma nova taxa de acesso aos GNNs em contradições. Por ser útil e em operação, fornece um método promissor para melhorar a confiabilidade dos programas GNN em todos os muitos campos.

Enquete o papel. Todo o crédito deste estudo é pesquisado para este projeto. Além disso, não se esqueça de seguir Sane e junte -se ao nosso Estação de telégrafo incluindo LinkedIn grtópico. Não se esqueça de se juntar ao nosso 75k + ml subreddit.

🚨 O Marktechpost está gritando para as empresas / inicialização / grupos cooperarem com as próximas revistas da IA ​​a seguinte 'fonte AI em produção' e 'e' Agentic AI '.