Index poisoning attack 分析

最新推荐文章于 2025-01-16 18:36:01 发布
最新推荐文章于 2025-01-16 18:36:01 发布
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： P2P Academic 文章标签： p2p random 网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jo_say/article/details/6410285
本文介绍了两种针对P2Pbotnets的攻击方法：一种是通过发布无效的随机ID来阻止恶意代码传播；另一种则是利用假条目将恶意ID重定向至合法ID，以此保护P2P网络免受恶意攻击。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Way：

用来破坏p2p网络，这里针对P2p botnets:

1 产生bots搜索key的hash

2 产生随机的id，不关联任何文件

3 发布,key=hash, value=random id

4 此时，如果谁请求这个key，将会路由到随机ID，但由于此ID是随机的，不存在的。因此恶意代码是不会被下载的。

5 第二种方法：选择一个副本id，使用fake entries填充，这样恶意ids将会被re-route到合法ids

 

两片文章参考：

1 the index poisoning attack in p2p file-sharing systems

2 peer-to-peer botnets analysis and detection

网络安全工具汇总
sinat_38598239的博客
08-22 642
以下是本人学习网络安全时用到的一些工具，对原官网进行的汇总。 1.Wireshark 网址：https://sourceforge.net/projects/bwapp/ 2.Fiddler 网址：https://www.telerik.com/download/fiddler-everywhere 3.Kali镜像下载 网址：http://old.kali.org/kali-images/ 4.LOIC的DDOS攻击神器 网址：https://sourceforge.net/project
AI在医学领域：医学成像中针对深度神经网络（DNN）的对抗性攻击及其防御策略
声纹感知 洞察芯声
08-04 1708
在早期的研究中，已经考虑了简单的对抗性攻击。然而，DNN对更危险和现实的攻击也很敏感。本文涵盖了针对医学成像的DNN的最新提出的对抗性攻击策略以及对策。
A Cache Poisoning Attack Targeting DNS Forwarding Devices
11-20
在本文中，我们提出了一个针对域名系统转发器的缓存中毒攻击。通过这种攻击，攻击者可以使用受控域注入任意受害域名的恶意记录，并绕过广泛部署的缓存中毒防御。通过对流行的家庭路由器模型和DNS软件进行测试，我们发现了几个易受攻击的实现，包括大型供应商的实现(例如，D-Link、Linksys、dnsmasq和MS DNS)。此外，通过一项全国性的测量，我们估计了使用易受攻击的域名系统转发器的中国移动客户的数量。我们已经向受影响的供应商报告了该问题，到目前为止，已经收到了其中三家供应商的积极反馈。我们的工作进一步表明，域名系统转发器可以成为域名系统基础设施中的一个软肋，并呼吁社区给予关注和实施指导。
AI Security2-投毒攻击(Poisoning Attacks)
热门推荐
学渣的博客
12-25 2万+
接着上一章写的：https://blog.youkuaiyun.com/weixin_42468475/article/details/111684668 这是目录1 数据投毒攻击是什么？2 数据中毒的根本原因3 数据投毒攻击分类和解决方案3.1 模型偏斜(Model skewing)3.2 反馈武器化(Feedback weaponization)：3.3 后门攻击（backdoor attacks）参考文献 1 数据投毒攻击是什么？ 数据投毒/中毒攻击（Data Poisoning Attack）是什么？这里我们用
Poisoning Attack in Adversarial Machine Learning
ColdWindHA的博客
03-05 2177
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，
【Paper-Attack】Poisoning Attacks to Graph-Based Recommender Systems
duanyuchen的博客
03-27 695
Poisoning Attacks to Graph-Based Recommender Systems 背景 一些研究显示推荐系统容易受到poisoning attack（向推荐系统注入虚假数据，从而使推荐系统按照攻击者的意愿做推荐）影响，现有研究在基于图的推荐系统上的工作还很少，都是基于关联规则的或者基于矩阵分解。 攻击者的目标：将target item推荐给越多的用户越好 挑战 如何给fake user分配打分，来使得target item被推荐给更多的正常用户？ ⇓ \Downarrow ⇓ 将po
2018s&p Manipulating Machine Learning Poisoning Attacks and Countermeasures for Regression Learning
柯同学要谦虚
09-26 906
操纵机器学习：回归学习的中毒攻击与对策 论文的出发点 不同对抗模型下的中毒线性回归问题系统研究 从现有的中毒攻击分类入手，提出了一个专门针对回归模型的优化框架 设计了一种快速的统计攻击，对学习过程的知识要求低 设计一种新的鲁棒防御算法（TRIM），该算法在很大程度上优于现有的稳健回归方法 很强的鲁棒性和恢复能力 保证了算法的收敛性，MSE设置了上界· 在四个回归模型和来自不同领域的几个数据集上广...
File "D:\A-Software\Model-poisoning-attack-in-differential-privacy-based-federated-learning-main\main_fed_cifar_cnn.py", line 9, in <module> from torchvision import datasets, transforms处理问题
最新发布
03-23
接下来，我需要根据这些可能的原因逐一分析解决方法，并结合用户提供的引用信息。引用[2]中提到用户曾遇到安装cairocffi和editdistance的问题，并通过conda安装cairo解决了问题。这可能意味着用户使用的是conda环境...
这一段讲的是什么：Abstract—A recent trojan attack on deep neural network (DNN) models is one insidious variant of data poisoning attacks. Trojan attacks exploit an effective backdoor created in a DNN model by leveraging the difficulty in interpretability of the learned model to misclassify any inputs signed with the attacker’s chosen trojan trigger. Since the trojan trigger is a secret guarded and exploited by the attacker, detecting such trojan inputs is a challenge, especially at run-time when models are in active operation. This work builds STRong Intentional Perturbation (STRIP) based run-time trojan attack detection system and focuses on vision system. We intentionally perturb the incoming input, for instance by superimposing various image patterns, and observe the randomness of predicted classes for perturbed inputs from a given deployed model—malicious or benign. A low entropy in predicted classes violates the input-dependence property of a benign model and implies the presence of a malicious input—a characteristic of a trojaned input. The high efficacy of our method is validated through case studies on three popular and contrasting datasets: MNIST, CIFAR10 and GTSRB. We achieve an overall false acceptance rate (FAR) of less than 1%, given a preset false rejection rate (FRR) of 1%, for different types of triggers. Using CIFAR10 and GTSRB, we have empirically achieved result of 0% for both FRR and FAR. We have also evaluated STRIP robustness against a number of trojan attack variants and adaptive attacks. Index Terms—Trojan attack, Backdoor attack
07-24
这段摘要讲述了关于深度神经网络（DNN）模型的特洛伊木马攻击。特洛伊攻击是一种数据污染攻击的变种，通过利用学习模型的难以解释性，在DNN模型中创建一个有效的后门，以便将任何使用攻击者选择的特洛伊触发器进行...
Towards Data Poisoning Attack against Knowledge Graph Embedding.pdf
08-09
Knowledge graph embedding (KGE) is a technique for learning continuousembeddingsfor entities and relations in the knowledge graph. Due to its benefit to a variety of downstream tasks such as knowledge graph completion, question answering and recommendation, KGE has gained significant attention recently. Despite its effectiveness in a benign environment, KGE’s robustness to adversarialattacks is not well-studied. Existing attack methods on graph data cannot be directly applied to attack the embeddings of knowledge graph due to its heterogeneity. To fill this gap, we propose a collection of data poisoning attack strategies, which can effectively manipulate the plausibility of arbitrary targeted facts in a knowledge graph by adding or deleting facts on the graph. The effectiveness and efficiency of the proposed attack strategies are verified by extensive evaluations on two widely-used benchmarks.
“下毒攻击”（Poisoning Attack）及防范措施之浅见
Arthur Guo 的专栏
01-16 636
攻击者通过向大模型投喂“错误信息及回答”来进行“下毒”（Poisoning Attack），是一种针对大模型的潜在威胁。这种攻击可能会导致模型生成错误或有害的内容，甚至影响其长期表现。下毒攻击是大模型面临的潜在威胁，需要从模型设计、数据管理和用户交互等多个层面进行防范。下毒攻击的核心是通过输入恶意设计的提示或信息，利用模型的上下文记忆能力或训练数据漏洞，诱导模型生成错误或偏离预期的输出。Prompt Engineering学着学着，突然想到如果恶意给大模型“投喂”错误信息，会怎么样.. 于是有了如下浅见。
certified-defenses-for-data-poisoning-attacks
柯同学要谦虚
09-26 1340
数据中毒攻击的认证防御 出发点： 问题的重要性； 以用户提供的数据为训练对象的机器学习系统容易受到数据中毒攻击，恶意用户注入错误的训练数据，目的是破坏所学习的模型。虽然最近的工作提出了一些攻击和防御。在面对意志坚定的攻击者时，最坏的情况是失去防御，对此我们知之甚少 以前工作有何不足： 我们注意到，尽管生成对抗网络是安全的，但它们并不关注安全性，而是为训练生成模型提供了一个博弈论目标。// 在均值和...
When Does Machine Learning FAIL? Generalized Transferability for Evasion and Poisoning Attacks论文笔记
XP and Altoria
01-11 719
When Does Machine Learning FAIL? Generalized Transferability for Evasion and Poisoning Attacks论文笔记 该论文主要是介绍了一个FAIL模型, 即一个通用框架用来分析针对机器学习系统的真实攻击, 同时也提出了一种有目标的投毒攻击, 称作StingRay, 使得该攻击能击溃现存的防御, 通过观察FAIL的维度...
规避攻击和毒化攻击Evasion Attacks and Adversarial Examples
一季南凉的博客
06-14 795
"规避攻击（evasion attacks）"和"毒化攻击（poisoning attacks）"是两种常见的网络安全攻击类型，它们针对机器学习和深度学习模型进行攻击。
【机器学习笔记 Day 2】对抗攻击 与 现实对抗攻击训练
qq_41803631的博客
02-27 989
对抗攻击（“Adversarial Attack”）： 对抗性攻击是指有意修改输入数据，以使模型产生错误的输出或误导性输出。对抗鲁棒性强的模型能够在面对这些对抗性样本时保持准确的预测。
为什么poisoning attack（投毒攻击）可能导致用户隐私泄露
wzx_442011334的博客
10-05 448
例如，如果攻击者知道某些特定的输入（他们控制的恶意数据）会导致特定的预测结果，那么当看到类似的预测结果时，他们可能能够推断出相关的输入数据，从而导致数据泄露。如果这些数据包含敏感信息（如个人健康信息、地理位置数据等），且攻击者能够通过某种方式访问到这些已修改的数据或其衍生物，就可能直接导致用户隐私被泄露。为了防止投毒攻击导致的用户隐私泄露，联邦学习系统需要设计实施严格的数据保护措施、鲁棒的模型更新检验机制以及有效的异常检测和响应策略，确保即使在攻击发生时也能最大限度地保护用户数据不被泄露。
【转】ORACLE TNS Listener远程注册投毒（Poison Attack）漏洞
weixin_30414635的博客
12-04 922
来源：http://blog.youkuaiyun.com/wengtf/article/details/46632405 此次有用户正好大规模安全漏洞扫描后，发现此漏洞，该漏洞存在于Oracle DB的所有版本中，当然10g和11g均中招. 1. Vulnerability Description(漏洞描述) This security alert addresses the securi...
综述：图数据上的对抗攻击与防御
paper_reader的博客
04-27 7034
阅读更多，欢迎关注公众号：论文收割机（paper_reader）原文链接：综述：图数据上的对抗攻击与防御 Sun,Lichao,JiWang,PhilipS.Yu,andBoLi."AdversarialAttackandDefenseonGraphData:ASurvey."arXivpreprintarXiv:1812.10528(2018...
检测与衡量搜索中毒：SURF系统分析
"SURF: Detecting and Measuring Search Poisoning - Long Lu, Roberto Perdisci, Wenke Lee" 本文探讨了一种新兴且极具攻击性的黑帽SEO（Search Engine Optimization）策略，即“搜索中毒”（Search Poisoning）。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值