AI平台攻防案例及原理简单汇总

可能的三种类型的攻防：

1、对抗样本

2、ai平台外部部件漏洞

3、ai平台内部漏洞

属于利用ai训练的基本原理产生的一种根本性的攻击方法。

主要原理是对训练模型添加适当的干扰，或者是故意向训练集中添加标签错误的数据，扰动训练出来的模型，使得模型不能正确识别某些物。主要针对分类模型。

案例可以参考：Kaggle首席技术官发布——(Kaggle)NIPS 2017对抗学习挑战赛起步指南。一个比赛，其中提供了对抗案例的生成过程。

属于ai平台调用外部依赖库，例如tensorflow调用python中的numpy库。

主要原理是外部依赖库可能造成某些非逻辑错误。numpy库主要针对数据处理，所以很容易在训练的过程中出现数组溢出或者整数溢出的情况，而这些在python中并未明确有检查模块。而在目前能够查出来的案例中包含了下面几种漏洞。

其中就tensorflow平台来说，主要是面对DOS攻击，主要方式是缺少对输入数据的大小或者类型的验证。参考：https://www.suse.com/security/cve/CVE-2017-12852/ 。为针对numpy提出的攻击案例。

查到的主要就是腾讯提出的tensorflow的框架漏洞。

漏洞发生在 Tensorflow 处理AI模型部分，属于逻辑型的漏洞。需要重新设计 AI 模型输入处理机制，属于处理机制的问题。具体案例本身并未找到详细的内容。

以上是腾讯团队提出的几个tensorflow漏洞，主要针对平台本身的框架，例如错误的解析gif图像可能会导致程序崩溃（解析某些无效的GIF文件时，GIF解码器中的内部函数返回一个空指针，该指针（空指针）随后用作strcat的参数）。

上面是官方提供的代码修改部分。