Aplicaciones en seguridad y evasiones en aprendizaje automático: una encuesta
Autores: Sagar, Ramani; Jhaveri, Rutvij; Borrego, Carlos
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Aplicaciones en seguridad y evasiones en aprendizaje automático: una encuesta
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aprendizaje automático
Seguridad
Privacidad
Aplicaciones
Ataques adversarios
Modelos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
En los últimos años, el aprendizaje automático (ML) se ha convertido en una parte importante para garantizar la seguridad y privacidad en diversas aplicaciones. ML se utiliza para abordar problemas graves como la detección de ataques en tiempo real, evaluaciones de vulnerabilidad de filtración de datos y muchos más. ML apoya ampliamente los exigentes requisitos del escenario actual de seguridad y privacidad en una variedad de áreas como la toma de decisiones en tiempo real, el procesamiento de grandes volúmenes de datos, la reducción del tiempo de ciclo de aprendizaje, la eficiencia en costos y el procesamiento libre de errores. Por lo tanto, en este documento, revisamos los enfoques de vanguardia donde ML es aplicable de manera más efectiva para cumplir con los requisitos actuales del mundo real en seguridad. Examinamos las perspectivas de diferentes aplicaciones de seguridad donde los modelos de ML desempeñan un papel esencial y comparamos, con diferentes dimensiones posibles, sus resultados de precisión. Al analizar los algoritmos de ML en aplicaciones de seguridad, se proporciona un plano para un área de investigación interdisciplinaria. Incluso con el uso de tecnología y herramientas sofisticadas actuales, los atacantes pueden evadir los modelos de ML al cometer ataques adversariales. Por lo tanto, surgen requisitos para evaluar la vulnerabilidad en los modelos de ML para hacer frente a los ataques adversariales en el momento del desarrollo. En consecuencia, como complemento a este punto, también analizamos los diferentes tipos de ataques adversariales a los modelos de ML. Para dar una visualización adecuada de las propiedades de seguridad, hemos representado el modelo de amenaza y las estrategias de defensa contra los métodos de ataque adversarial. Además, ilustramos los ataques adversariales basados en el conocimiento de los atacantes sobre el modelo y abordamos el punto del modelo en el que podrían cometerse posibles ataques. Finalmente, también investigamos diferentes tipos de propiedades de los ataques adversariales.
Descripción
En los últimos años, el aprendizaje automático (ML) se ha convertido en una parte importante para garantizar la seguridad y privacidad en diversas aplicaciones. ML se utiliza para abordar problemas graves como la detección de ataques en tiempo real, evaluaciones de vulnerabilidad de filtración de datos y muchos más. ML apoya ampliamente los exigentes requisitos del escenario actual de seguridad y privacidad en una variedad de áreas como la toma de decisiones en tiempo real, el procesamiento de grandes volúmenes de datos, la reducción del tiempo de ciclo de aprendizaje, la eficiencia en costos y el procesamiento libre de errores. Por lo tanto, en este documento, revisamos los enfoques de vanguardia donde ML es aplicable de manera más efectiva para cumplir con los requisitos actuales del mundo real en seguridad. Examinamos las perspectivas de diferentes aplicaciones de seguridad donde los modelos de ML desempeñan un papel esencial y comparamos, con diferentes dimensiones posibles, sus resultados de precisión. Al analizar los algoritmos de ML en aplicaciones de seguridad, se proporciona un plano para un área de investigación interdisciplinaria. Incluso con el uso de tecnología y herramientas sofisticadas actuales, los atacantes pueden evadir los modelos de ML al cometer ataques adversariales. Por lo tanto, surgen requisitos para evaluar la vulnerabilidad en los modelos de ML para hacer frente a los ataques adversariales en el momento del desarrollo. En consecuencia, como complemento a este punto, también analizamos los diferentes tipos de ataques adversariales a los modelos de ML. Para dar una visualización adecuada de las propiedades de seguridad, hemos representado el modelo de amenaza y las estrategias de defensa contra los métodos de ataque adversarial. Además, ilustramos los ataques adversariales basados en el conocimiento de los atacantes sobre el modelo y abordamos el punto del modelo en el que podrían cometerse posibles ataques. Finalmente, también investigamos diferentes tipos de propiedades de los ataques adversariales.