paperbot · PL 论文追踪

全部论文 待读 收藏

P2 DeepSearch: a simple and effective blackbox attack for deep neural networks

DeepSearch：一种简单有效的深度神经网络黑盒攻击
FSE Proceedings of the 28th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering2020匹配度 1/10 · 该论文研究的是针对图像分类器的黑盒对抗攻击（基于 fuzzing 生成对抗样本），属于机器学习安全/测试方向，与用户的 PL↔AI 静态分析、Agentic 程序分析、浮点/贝叶斯程序分析及其与 LLM 的交叉均无实质关联；仅标签中笼统的“测试、调试与修复”表面相近，但方法与问题均不契合。引用 33 inbox
Fuyuan Zhang, Sankalan Pal Chowdhury, Maria Christakis
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：提出基于 fuzzing 的查询高效黑盒攻击 DeepSearch，能更有效找到图像分类器的对抗输入。

深度神经网络在图像分类任务上表现优异，但容易受到对抗攻击；现有生成对抗输入的方法包括白盒与黑盒攻击。本文提出 DeepSearch，一种基于 fuzzing 的新型黑盒攻击，专用于图像分类器，并强调查询效率。尽管方法简单，实验表明 DeepSearch 在寻找对抗输入方面比当前先进的黑盒方法更有效，同时能够生成相比这些方法更隐蔽的对抗输入。该工作为黑盒对抗攻击提供了一种简洁且高效的方案。

问题
如何以黑盒、查询高效的方式为图像分类器生成对抗输入，并提升攻击有效性与扰动隐蔽性。
方法
提出 DeepSearch，将 fuzzing 用于黑盒对抗样本搜索，通过查询目标模型生成对抗输入。
评估
在图像分类任务上与当前先进黑盒攻击方法比较，显示其在找到对抗输入和生成更隐蔽对抗输入方面更优。
原文摘要（Abstract）

Although deep neural networks have been very successful in image-classification tasks, they are prone to adversarial attacks. To generate adversarial inputs, there has emerged a wide variety of techniques, such as black- and whitebox attacks for neural networks. In this paper, we present DeepSearch, a novel fuzzing-based, query-efficient, blackbox attack for image classifiers. Despite its simplicity, DeepSearch is shown to be more effective in finding adversarial inputs than state-of-the-art blackbox approaches. DeepSearch is additionally able to generate the most subtle adversarial inputs in comparison to these approaches.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot5800,
  title = {DeepSearch: a simple and effective blackbox attack for deep neural networks},
  author = {Fuyuan Zhang and Sankalan Pal Chowdhury and Maria Christakis},
  booktitle = {FSE},
  year = {2020},
  doi = {10.1145/3368089.3409750}
}