础滨驱动的设计应用
础滨为产业赋能,惭尝为础滨应用探索无限可能性。人工智能变得更加强大和普及,并且已经证明了其能在很多领域都有高效的应用,包括医疗保健、教育、零售、制造还有网络安全。但是我们在探究础滨给网络安全带来什么裨益的时候,更应该意识到一个问题:础滨本身是否安全?
如果有些础滨应用会导致现有威胁扩大或者引入新威胁,那后果将不堪设想,比如自动驾驶汽车失灵、金融服务中的础滨系统突然瘫痪或者智能家居被黑客控制等等。
新思科技软件质量与安全部门汽车解决方案架构师Chris Clark指出:
“与任何新技术一样,研究人员和攻击者需要花费时间才能找到破坏AI系统的新方法。在大多数情况下,这使攻击者将重点放在破坏AI和ML系统的机密性和完整性的方法上。与其它技术一样,AI / ML在底层系统之"上运行。这个系统必须能持续监控和缓解网络攻击。”
针对AI / ML解决方案的攻击有两种常见形式。
一种是模型中毒,这意味着用于训练AI / ML的数据包含了有害信息。这些信息可能会在之"后被启动以触发非正常行为。这种攻击方法实质上损害了系统的完整性;
第二种攻击形式基于模型中毒,被称为特洛伊木马攻击。在这种类型的攻击中,数据模型已损坏或中毒,攻击者可以根据环境以特定方式对其进行操作。基本上,特洛伊木马攻击使攻击者能够在未被发现的情况下悄悄潜入。
这些攻击方法可用于破坏视觉系统。这些视觉系统类似于自动驾驶汽车、面部识别和相关解决方案中可能使用到的系统。想象如下情况:特定图像或操纵图像可能会优先考虑某类车辆,或者会忽略面部识别系统中的面部特征。
此外,考虑AI技术时要注意的另一个领域是所使用的训练方法和数据集的有效性。图像偏差(可能被解释为中毒)的可能性也许会对基于AI / ML的系统的使用和操作产生重大影响。