基于敵手感知模式分類的研究與應用.pdf

1、為應對敵手可能對機器學習算法實施的攻擊，本文初步研究了對抗環(huán)境下的模式分類問題。通過在機器學習算法中融入關于敵手攻擊的先驗知識以應對可能存在的敵手攻擊，進行敵手感知分類器設計。
　　本文首先分別從對抗學習、敵手攻擊、對抗型分類器設計和性能評估四個方面探究了對抗模式分類問題，論述了對抗學習問題和傳統(tǒng)兩類問題的區(qū)別，提出了符合某些實際場合的敵手攻擊模型，總結了對抗型分類器設計方法和性能評估方法。在此基礎上，初步地在垃圾郵件過濾數(shù)據(jù)集上

2、評估了常用線性分類算法防御敵手攻擊的能力，實驗結果初步表明支持向量機（SVM）具有相對較好的對抗性，針對其在最壞情況攻擊場景中存在的性能下降，依據(jù)最壞情況攻擊的特點設計了抗最壞情況攻擊的支持向量機（LW-SVM），并在垃圾郵件過濾數(shù)據(jù)集上初步驗證了其有效性。
　　基于本文提出的敵手攻擊模型，進一步發(fā)展出了對抗型分類器框架。具體而言，該框架通過統(tǒng)計待檢測樣本的候選惡意樣本來估計可能存在的敵手偽裝行為，并據(jù)此重估樣本分布以緩解敵手攻擊