Poisoning Attack in Adversarial Machine Learning

Poisoning Attack in Adversarial Machine Learning

Data Poisoning攻击区别于Evasion攻击，是攻击者通过对模型的训练数据做手脚来达到控制模型输出的目的，是一种在训练过程中产生的对模型安全性的威胁。Data Poisoning，即对训练数据“下毒”或“污染”。这种攻击手段常见于外包模型训练工作的场景，例如我们常常将模型训练任务委托给第三方云平台（如Google Colab等等），此时第三方平台就掌握了我们的所有训练数据，很容易在训练数据上做手脚，以达到不为人知的目的。

此类data poisoning攻击一般分为两大类：分别是Backdoor attack和Training-only attack，区别在于前者需要接触到模型的训练数据（training data）以及验证数据（test data），而后者仅需要接触到模型的训练数据即可完成攻击。前者进一步可以分为Basic backdoor attack和clean-label backdoor attack，区别在于是否需要对训练数据的label进行perturb（更改）。

Backdoor Data Poisoning

基本原理是，通过在训练数据上做手脚，以使训练好的模型在实际工作当中，如果待分类样本中有"trigger"，就会把这个样本分类错误。所谓的trigger，就是在实际图形中的一个小特征，比如一个红色的小方块，或一团黑白的马赛克，是人为标记上的。此时被攻击的模型我们也成为Trojan模型，这个trigger也称为Trojan Trigger。整个攻击过程分为两个步骤：

1. 对训练数据进行污染，对某一类别的训练数据中的一部分加上trigger，同时把标签统一改为“4”，没有加trigger的图片的标签保持不动。被修改的训练集拿去给模型训练，此时模型会默默学习到——所有加上这类trigger的图片的类别都应是“4”，不论它的数据pattern（真正表现的图形）是什么。

2. 训练好的模型在工作时，给任意一张输入图像加上trigger，模型就会立刻将它分类为“4”；如果是不加trigger的输入，这张图像会被分类到正确的类别。

下图⁴完整的展示了攻击过程，下图中的trigger是一张白块。由此可见，这个trigger就像是模型给攻击者留好的后门，首先它在使用时不易被发现——如果不加trigger，模型就会照常工作，不会表现出任何异样；当攻击者准备使用它时只需要在test input上加入事先预留的trigger，模型就会乖乖的把input分类成攻击者想要的类别。

可用于攻击的trigger可以有很多种形式，例如³：

对此类攻击手段而言，最重要的是两个指标：

1. 当没有trigger时，模型的正确率要高，即clean data的分类正确率。
2. 当有trigger时，模型将poisoned data分类成目标类别的正确率要高。

该方法的优势：计算量小，poison策略和模型本身是无关的（model- agnostic）；而该方法的劣势：需要同时改变训练样本的数据和标签、同时在测试过程也要改变测试数据⁴。

我们自然而然会问：有没有办法来设计一套不需要改变训练数据label的攻击方法（因为一旦改变，攻击就比较容易检测出来了）？有没有办法设计一套不需要在测试集上加trigger的攻击手段（让不知情的使用者也会中招）？前者的答案是Clean-label，后者的答案是training-only attack。

Clean-Label Attack

顾名思义，这种方法不需要改变训练集的label，只需要对训练集的data做手脚。Clean-label attack的原理是同时对训练集data做perturbation以及加trigger，就能实现模型在测试过程中遇到trigger就会分类出错。这种攻击手段用两种方式均可实现，分别是Adversarial perturbation-enabled backdoor⁶以及hidden trigger backdoor⁷。

Adversarial Perturbation-Enabled Backdoor⁶

这种攻击方法首先会将目标类别尽量污染成其他类别，然后再对该类别施加trigger。先解释前半句话：

$$\begin{gathered} {\mathbf{x}}_{\mathbf{p}}={\mathrm{argmax}}_{{\mathbf{x}}^{\prime }}{\mathbf{\ell }}_{\mathbf{t}\mathbf{r}}({\mathbf{x}}^{\prime },\mathbf{y},\mathbf{\theta }) \\ \mathbf{s}.\mathbf{t}.{\Vert {\mathbf{x}}^{\prime }-\mathbf{x}\Vert }_{\mathbf{p}}\le ϵ \end{gathered}$$

对于选定的图像$\mathbf{x}$（例如猫这一类的训练图片）做perturbation，实际上是一个优化过程，优化方向是让一个pretrained model认为$\mathbf{x}$不像$\mathbf{x}$，数学上即使得pretrained model的loss ${\ell }_{tr}$最大。注意这里的perturbation是没有给定方向的（untargeted），即一张猫的图片perturb后模型可能会按照像狗的方向优化，另一张猫的图片按照像马的方向优化，这取决于每张图片在pretrained model上不同标签的打分结果。接着我们在污染过的训练样本${\mathbf{x}}_{\mathbf{p}}$上加trigger，让目标模型去用这样的样本集训练$({\mathbf{x}}_{\mathbf{p}}+trigger,\mathbf{y})$。注意，因为污染样本的方向是随机的，实际上是让模型学习到：“狗+trigger、马+trigger、驴+trigger…”这些特征应该被分类成猫，这里的“狗、马、驴”的特征实际上是猫被向“狗、马、驴”方向污染而产生的，这也就是为什么能够不改变训练集的label也能下backdoor的原因。

Hidden Trigger Backdoor⁷

一般的DNN图像分类模型总是由以下两部分组成，Feature Extractor以及Classifier，最终组成总的$g\circ f(\mathbf{x})$即为整个模型：

Hidden Trigger Backdoor的思想是，首先我们选中某一被攻击的类别（如下图的airplane）加上trigger${\mathbf{x}}_{trigger}$，对另一类别（下图的dog）进行perturb优化，优化的方向是使被污染图片${\mathbf{x}}_p$的被提取到的特征$f({\mathbf{x}}_p)$尽量和有trigger的图片相似:

$$\begin{gathered} {\mathbf{x}}_{\mathbf{p}}={\mathrm{argmin}}_{{\mathbf{x}}^{\prime }}{\Vert f({\mathbf{x}}^{\prime })-f({\mathbf{x}}_{trigger})\Vert }_2^2 \\ s.t.\Vert {\mathbf{x}}^{\prime }-\mathbf{x}{\Vert }_{\infty }\le ϵ \end{gathered}$$

这种做法的思想实际上是让被perturb的类别模仿加上trigger的另一类别，这样做在实际训练的过程中，训练集的所有图像都没有加trigger，trigger被“隐藏”在了perturbation中，因此称为hidden trigger。加在Dog类上的Perturbation被用来在特征层面模仿附有trigger的Airplane类。因而在测试的时候，输入加上trigger的Airplane类会被模型误认为Dog，以达到利用trigger实施攻击的目的。

对以上两种方法做比较，可以发现Adversarial Perturbation-Enabled Attack是一种无向的（untargeted）攻击，而后者则是有向的。

将clean-label attack和basic backdoor attack相对比可以发现，前者比后者少了对训练集label的更改，因而能使攻击更隐蔽。

Training Only Attacks

Training Only Attack是指在攻击时完全不用trigger，其中比较重要的一种方法是Feature Collision Backdoor Attack⁸，它可被视作是Hidden Trigger的一种泛化（generalization）。以上图为例，Hidden Trigger将Dog类在feature层面上模仿加了trigger的Airplane类，而Feature Collision直接让Dog类的图片直接去模仿Airplane类的图片$f({\mathbf{x}}_{clean})$（Airplane本身，不加trigger）。通过这种方式，让训练集的一部分Dog的特征和Airplane的特征“碰撞”（彼此非常接近），但是标签不同。模型在学习的过程中会认为同样是Airplane的特征，有些被标记成Dog，而有些被标记成Airplane；反之亦然。

$$\begin{gathered} {\mathbf{x}}_{\mathbf{p}}=\arg \underset{{\mathbf{x}}^{\prime }}{\min }{\Vert f({\mathbf{x}}^{\prime })-f({\mathbf{x}}_{clean})\Vert }_2^2 \\ s.t.\Vert {\mathbf{x}}^{\prime }-\mathbf{x}{\Vert }_{\infty }\le ϵ \end{gathered}$$

如此一来，在测试时，即使不对测试样本加任何trigger，模型也会很大概率将Dog类识别成Airplane，或将Airplane识别成Dog。

Defense Methods³

针对Backdoor Attack防御的基本思路是，我们能不能从一个被攻击的模型${\theta }_{\mathbf{p}}$中恢复出攻击者预留的trigger？这里就涉及到一个估计的问题：对于任意一个输入$\mathbf{x}$，也一定有一不变的trigger使得加上trigger后的输入${\mathbf{x}}_p$ 的预测结果是错误的。

如果我们用$\mathbf{m}$表征trigger的位置，$\mathbf{m}$是一个和$\mathbf{x}$大小相同的掩膜（mask）矩阵，仅有$0$和$1$组成；$\mathbf{\delta }$表征trigger本身，就可以通过优化以下误分类率来恢复$\mathbf{m}$和$\mathbf{\delta }$：

$$(\hat{\mathbf{m}},\hat{\mathbf{\delta }})={\mathrm{argmax}}_{\mathbf{m},\mathbf{\delta }}{\ell }_{tr}((1-\mathbf{m})\circ \mathbf{x}+\mathbf{m}\circ \mathbf{\delta },\mathbf{y};{\mathbf{\theta }}_{\mathbf{p}\mathbf{o}\mathbf{i}\mathbf{s}\mathbf{o}\mathbf{n}})+\lambda \Vert \mathbf{m}{\Vert }_1$$

通过这种方法产生的$\mathbf{m}$是稀疏的，因为最后的正则项采用的是${\ell }_1$范数。

A Generalization view on Data Poisoning - Bi-level Optimization

所谓Bi-level optimization问题是指形如：

$$\begin{gathered} \underset{\mathbf{x}}{\min }=\ell (\mathbf{x},{\mathbf{y}}^{\ast }(\mathbf{x})) \\ s.t.{\mathbf{y}}^{\ast }(\mathbf{x})={\mathrm{argmin}}_{\mathbf{y}}g(\mathbf{y},\mathbf{x}) \end{gathered}$$

的优化问题。其中该问题包含两层优化，第一层是outer loop，其中$\ell$一般是定义好的损失函数，而${\mathbf{y}}^{\ast }$也是关于$\mathbf{x}$的优化函数，即inner loop优化问题。特别的，如果$g=-\ell$那么该问题就特殊化为$min-max$问题：

$$\underset{\mathbf{x}}{\min }\underset{\mathbf{y}}{\max }\ell (\mathbf{x},\mathbf{y})$$

特别的，我们可以将Data Poisoning写成该问题的形式^{12 13}：

• $\mathbf{x}$即为被优化的poisoned data，最优解为${\mathbf{x}}_p=(1-\mathbf{m})\circ \mathbf{x}+\mathbf{m}\circ \mathbf{\delta }$，其中$(\mathbf{m},\mathbf{\delta })$即为实际被优化的参数对。
• $\mathbf{y}$是被攻击的模型参数，将在poisoned data上被训练。
• $\ell$是Attack loss ${\ell }_{atk}$
• $g$是模型训练时的loss:${\ell }_{tr}$。

因此可以讲bi-level的形式改写为：

min ⁡ m , δ ℓ a t k ( X p v a l , θ ∗ ) s . t . θ ∗ = arg ⁡ min ⁡ θ ℓ t r ( θ ; X p ∪ X c l e a n ) w h e r e X p = { x p ( i ) = ( 1 − m ) ∘ x p ( i ) + m ∘ δ } \min_{\mathbf m, \boldsymbol\delta} \ell_{atk}(\mathcal{X}_{p}^{val}, \boldsymbol{\theta^*})\\ s.t. \quad \boldsymbol\theta^* = \mathop{\arg\min}_{\boldsymbol\theta}\ell_{tr}(\boldsymbol\theta; \mathcal{X}_p\cup\mathcal{X}_{clean})\\ where \quad\mathcal{X}_{p} = \{\mathbf{x_p^{(i)}} = \mathbf{(1-m)\circ x_{p}^{(i)} + m \circ \boldsymbol\delta}\} m,δmin​ℓatk​(Xpval​,θ∗)s.t.θ∗=argminθ​ℓtr​(θ;Xp​∪Xclean​)whereXp​={xp(i)​=(1−m)∘xp(i)​+m∘δ}

注意这里${\mathcal{X}}_{clean}$和${\mathcal{X}}_p$分别是原始的和被污染的训练集数据，而${\mathcal{X}}_p^{val}$是验证集加上trigger的数据。trigger的形式和位置可以是和数据无关的（data- agnostic）也可以是和数据有关的，此时对于每个训练数据，都会有自己的$({\mathbf{m}}_{\mathbf{i}},{\mathbf{\theta }}_i)$。

该类问题的解法可以采用Alternating Optimization，也就是给定$\mathbf{\theta }(0)$和$(\mathbf{m}(0),\mathbf{\delta }(0))$，分别对inner loop和outer loop进行迭代优化：

$$\mathbf{\theta }(k)={\mathrm{argmin}}_{\mathbf{\theta }}{\ell }_{tr}(\mathbf{\theta };{\mathcal{X}}_p(k-1)\cup {\mathcal{X}}_{clean})(\mathbf{\theta }-step)$$

$$\begin{gathered} (\mathbf{m}(k),\mathbf{\delta }(k))=(\mathbf{m}(k-1),\mathbf{\delta }(k-1))-\alpha {\nabla }_{\mathbf{m},\mathbf{\delta }}{\ell }_{atk}({\mathcal{X}}_p^{val}(k-1),\mathbf{\theta }(k)) \\ ((\mathbf{m},\mathbf{\delta })-step)) \end{gathered}$$

可以看出，在$(\mathbf{\theta }-step)$中，可以用N-step的PGD方法；而在$((\mathbf{m},\mathbf{\delta })-step)$中，可以使用梯度下降法。关于如何求梯度${\nabla }_{\mathbf{m},\mathbf{\delta }}{\ell }_{atk}({\mathcal{X}}_p^{val}(k-1),\mathbf{\theta }(k))$，可以参考¹¹

Reference

[1] Micah Goldblum, Dimitris Tsipras, Chulin Xie, Xinyun Chen, Avi Schwarzschild, Dawn Song, Aleksander Madry, Bo Li, and Tom Goldstein. Data security for machine learning: Data poisoning, backdoor attacks, and defenses. arXiv preprint arXiv:2012.10544, 2020

[2] Avi Schwarzschild, Micah Goldblum, Arjun Gupta, John P Dickerson, and Tom Goldstein. Just how toxic is data poisoning? a unified benchmark for backdoor and data poisoning attacks. arXiv preprint arXiv:2006.12557, 2020.

[3] R. Wang, G. Zhang, S. Liu, P.-Y. Chen, J. Xiong, and M. Wang. Practical detection of trojan neural networks: Data-limited and data-free cases. In ECCV, 2020.

[4] Bolun Wang, Yuanshun Yao, Shawn Shan, Huiying Li, Bimal Viswanath, Haitao Zheng, and Ben Y Zhao. Neural cleanse: Identifying and mitigating backdoor attacks in neural networks. Neural Cleanse: Identifying and Mitigating Backdoor Attacks in Neural Networks, page 0, 2019.

[5] T. Gu, K. Liu, B. Dolan-Gavitt, and S. Garg. Badnets: Evaluating backdooring attacks on deep neural networks. IEEE Access, 7:47230–47244, 2019.

[6] Alexander Turner, Dimitris Tsipras, and Aleksander Madry. Label-consistent backdoor attacks. arXiv preprint arXiv:1912.02771, 2019.

[7] Aniruddha Saha, Akshayvarun Subramanya, and Hamed Pirsiavash. Hidden trigger backdoor attacks. In Proceedings of the AAAI Conference on Artificial Intelligence, volume 34, pages 11957–11965, 2020.

[8] Ali Shafahi, W Ronny Huang, Mahyar Najibi, Octavian Suciu, Christoph Studer, Tudor Dumitras, and Tom Goldstein. Poison frogs! targeted clean-label poisoning attacks on neural networks. In Advances in Neural Information Processing Systems, pages 6103–6113, 2018.

[9] F. Bach, R. Jenatton, J. Mairal, and G. Obozinski. Optimization with sparsity-inducing penalties. Foundations and Trends® in Machine Learning, 4(1):1–106, 2012.

[10] Mingjie Sun, Siddhant Agarwal, and J Zico Kolter. Poisoned classifiers are not only backdoored, they are fundamentally broken. arXiv preprint arXiv:2010.09080, 2020.

[11] Mingyi Hong, Hoi-To Wai, Zhaoran Wang, and Zhuoran Yang. A two-timescale framework for bilevel optimization: Complexity analysis and application to actor-critic. arXiv preprint arXiv:2007.05170, 2020.

[12] Matthew Jagielski, Alina Oprea, Battista Biggio, Chang Liu, Cristina Nita-Rotaru, and Bo Li. Manipulating machine learning: Poisoning attacks and countermeasures for regression learning. In 2018 IEEE Symposium on Security and Privacy (SP), pages 19–35. IEEE, 2018.

[13] Micah Goldblum, Dimitris Tsipras, Chulin Xie, Xinyun Chen, Avi Schwarzschild, Dawn Song, Aleksander Madry, Bo Li, and Tom Goldstein. Data security for machine learning: Data poisoning, backdoor attacks, and defenses. arXiv preprint arXiv:2012.10544, 2020.