Zum Inhalt springen
  • BTC $58.953 −4,3%
  • ETH $1.670 −4,1%
  • SOL $69,61 −2,3%
  • BNB $536,02 −5,7%
  • XRP $0,9084 −4,1%
  • DOGE $0,0544 −3,9%
  • ADA $0,1419 −3,4%

Clean-Label-Vergiftungsangriff kann KI in Fahrzeugnetzwerken täuschen, ohne Labels zu ändern

Ein Clean-Label-Vergiftungsangriff kann föderales Lernen in Fahrzeugnetzwerken untergraben, ohne die den Trainingsbeispielen zugeordneten Labels zu ändern, wie in einem am 23. Oktober 2026 eingereichten Paper dargelegt wird. Die Studie schlägt außerdem eine Verteidigung vor, die laut ihren Ergebnissen den Angriffserfolg verringert und gleichzeitig die Genauigkeit auf sauberen Daten bewahrt…

Dieser Artikel wurde mit Systemen der künstlichen Intelligenz erstellt und unter der redaktionellen Verantwortung von Amelia Tomasicchio veröffentlicht. So arbeiten wir

clean-label poisoning attack
Clean-label Poisoning Attack Threatens Federated Learning Vehicular Networks

Ein Clean-Label-Poisoning-Angriff kann föderales Lernen in Fahrzeugnetzwerken untergraben, ohne die den Trainingsbeispielen zugeordneten Labels zu ändern, wie in einem am 23. Oktober 2026 eingereichten Paper beschrieben wird. Die Studie schlägt außerdem eine Verteidigung vor, die laut ihren Ergebnissen den Angriffserfolg reduziert und gleichzeitig die Genauigkeit auf sauberen Daten erhält.

Die Autoren Yalin E. Sagduyu, Tugba Erpek, Nathan Stephenson und Mengran Xue untersuchen die Wechselwirkung zwischen Poisoning und Verteidigung. Sie modellieren die Basic-Safety-Message-Klassifizierung für die Anomalieerkennung als eine verteilte Lernaufgabe über ein Fahrzeugnetzwerk mit sich ändernder Topologie.

Der Angriff operiert im Merkmalsraum: Er stört gutartige Beispiele in Richtung bösartiger Merkmals-Extreme, während ihre Labels unverändert bleiben. Dies verringert die Trennbarkeit der Klassen – also die Unterscheidung zwischen Klassen, die das Lernsystem erkennen soll. Die Labels bleiben unverändert, selbst wenn die Merkmale der Beispiele verändert werden.

Abwehr eines Clean-Label-Poisoning-Angriffs

Die vorgeschlagene Merkmalskonsistenz-Relabeling-Verteidigung erkennt verdächtige Beispiele und vergibt neue Labels. In den Ergebnissen der Studie hält dieser Ansatz den Angriffserfolg gering, ohne die Klassifikationsgenauigkeit auf sauberen Daten zu verringern.

Die Forschenden verwenden außerdem einen spieltheoretischen Rahmen, um die Interaktionen zwischen Angreifern und Verteidigern zu modellieren. Der Rahmen charakterisiert Gleichgewichtsstrategien anhand von Parametern zur Angriffseffektivität und zu den Kosten.

Der Clean-Label-Poisoning-Angriff wird wirksamer, je mehr Knoten kompromittiert sind, berichten die Autoren. Ihre Ergebnisse verknüpfen daher die Angriffsleistung mit dem Ausmaß der Kompromittierung von Knoten innerhalb des Fahrzeugnetzwerks.

Die Verteidigung verändert auch das modellierte strategische Gleichgewicht: Die Studie berichtet, dass Merkmalskonsistenz-Relabeling die Gleichgewichtsbereiche in Richtungen verschiebt, die angreifendes Verhalten unattraktiver machen.

Artikel erstellt mit Unterstützung künstlicher Intelligenz und vom Redaktionsteam überprüft.

Satoshi Voice

Dieser Artikel wurde mit Hilfe von künstlicher Intelligenz erstellt und von unserem Journalistenteam überprüft, um Genauigkeit und Qualität zu gewährleisten.

Alle Artikel von Satoshi Voice