38、数据投毒攻击对机器学习模型性能的影响

数据投毒攻击对机器学习模型性能的影响

1. 引言

机器学习在医疗、金融、农业和电子商务等众多领域的应用日益广泛，因其能利用大量多样的数据进行快速可靠的数据分析和预测。然而，机器学习模型的可靠性和性能高度依赖训练数据集的质量。随着机器学习模型的普及，攻击者有了可乘之机，他们能够操纵机器学习分类器，增加了模型的安全漏洞。

数据投毒攻击是攻击者试图对训练数据集进行错误分类的手段，这会导致模型整体运行时间增加，效率和性能下降。这种攻击主要通过特征投毒（如翻转标签）或更改模型配置来实现，可分为有针对性攻击（攻击者对特定测试数据样本进行错误分类）和无针对性攻击。

本文主要有两大贡献：
- 评估多种机器学习模型（如KNN分类器、逻辑回归分类器和SVM分类器）的性能，通过预测模型的准确性和精确性来衡量。
- 分析数据投毒攻击对机器学习模型整体性能的影响，以此展示模型的鲁棒性。

2. 相关工作回顾

此前有多项研究聚焦于特定机器学习分类器的性能分析及其局限性，同时也关注数据投毒攻击在某些机器学习分类器上的实施。例如：
- Sisodia等人设计了一个模型，使用分类算法预测患者患糖尿病的可能性，其中朴素贝叶斯显示出76.30%的最高准确率。
- Aishwarya等人设计了一个系统，利用主成分分析（PCA）进行预处理，SVM分类器进行患者糖尿病和非糖尿病的分类，该系统准确率达95%。
- Majumdar等人提出了一个使用多种机器学习分类器（如决策树、随机森林、逻辑回归、KNN等）进行糖尿病预测的模型，逻辑回归显示出96%的最高准确率，经过流水线处理后，准确率提高到97.2%。
- Yang等人专注