Derin öğrenmeye dayalı bilgisayar ağlarına karşı düşmanca örneklerin aktarılabilirliğinin geliştirilmesi

Evrişimsel Sinir Ağları derin öğrenme alanında en çok kullanılan algoritmalardan birisidir, sınıflandırma konusundaki becerileri sayesinde akademik, endüstriyel özellikle siber güvenlik alanında yaygın olarak kullanılmaktadırlar. Evrişimsel sinir ağlarının yaygın kullanımı saldırganlar için bu algoritmaları hedef haline getirmiştir ve saldırganları bu algortitmalarda bulunan açıkları tespit etmeye itmiştir. Yapılan son çalışmalar göstermektedir ki evrişimsel sinir ağları yaratılan zararlı yazılımlar tarafından kolay bir şekilde manipüle edilebilmektedir. Bu açığın incelenmesi için yapılan bazı çalışmalarda, evrişimsel sinir ağlarına yapılan saldırıların yalnızca hedeflenen model üzerinde değil, hedef alınmayan ancak aynı iş için kullanılan başka modellerde de etkili olduğu görülmüştür. Yapılan saldırıların bu güçlü özelliğine, saldırı transferi adı verilmektedir. Yapılan saldırı sırasında, saldırgan model hakkında tüm özelliklere ve bilgilere sahip ise bu duruma mükemmel bilgi adı verilmektedir, transfer edilebilirlik bu mükemmel bilgi ihtiyacını ortadan kaldırmakta ve sınırlı bilgi ile de saldırı yapılmasını mümkün kılmaktadır. Son yıllarda yapılan çalışmalar, evrişimsel sinir ağları tabanlı bilgisayarlı görü işleme araçlarında genel olarak saldırıların transfer edilemediğini göstermiştir. Bu araştırmada saldırının transfer edilebilirliğinin arttırılması için yeni bir strateji geliştirilmiştir. Bu stratejide, bir saldırı kütüphanesi değiştirilerek saldırılar daha güçlü hale getirilecek ve saldırıların güç değerleri değiştirilerek daha tehditkâr ve baskın saldırılar yapılacaktır. Saldırganın hedef bölgede daha derin bir alanda yer alan örnek elde etmek için daha büyük bir distorsiyona izin verdiği durum incelenecektir. Transfer edilebilirliğin geliştirilmesi için yapılan deneyde altı adet saldırı tipi ve bu alanda yaygın olarak kullanılan iki veri kümesi ele alınmıştır.