CN112256133A - 一种基于eeg的脑机接口系统的污染攻击方法 - Google Patents
一种基于eeg的脑机接口系统的污染攻击方法 Download PDFInfo
- Publication number
- CN112256133A CN112256133A CN202011172919.0A CN202011172919A CN112256133A CN 112256133 A CN112256133 A CN 112256133A CN 202011172919 A CN202011172919 A CN 202011172919A CN 112256133 A CN112256133 A CN 112256133A
- Authority
- CN
- China
- Prior art keywords
- pollution
- classification model
- packet loss
- brain
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于EEG的脑机接口系统的污染攻击方法,属于脑机接口安全领域,根据分类模型的当前分类任务预采集脑电信号后,通过施加周期窄脉冲构造污染样本,并将各污染样本标注为指定类别,得到污染样本集;通过将污染样本集加入到分类模型的原始训练集中,对原始训练集进行污染,待该污染后的训练集对分类模型训练完成,即在分类模型中设置了后门,然后在攻击过程中直接将周期窄脉冲施加到原始脑电信号中,即设置了对应的后门钥匙;整个过程无需预先知晓分类模型、其原始训练集以及原始脑电信号,也无需外加攻击模块,仅通过外加污染样本即可实现攻击,简单可行,能在实际场景中进行有效实施来验证系统安全性。
Description
技术领域
本发明属于脑机接口安全领域,更具体地,涉及一种基于EEG的脑机接口系统的污染攻击方法。
背景技术
脑机接口能够将人脑电信号解码成能被人所理解的可读性信息,从而进一步地去控制外部机器设备。脑机接口为人脑和外部设备提供了直接联系的桥梁。EEG因为其采集设备价格相对低廉、无创性和使用方便等优点成为了脑机接口中最常用的输入信号。基于EEG的脑机接口通常由以下几个环节组成:EEG采集和传输、数据预处理、模式分类或回归、以及控制外部设备。基于EEG的脑机接口系统能够将采集到的脑电进行处理和分析,从而提取出脑电信号中包含的具体模式,并将这些模式对应到人的具体行为。其中脑机接口中最关键的技术是如何准确地从复杂的脑电信号中识别出具体的模式。机器学习拥有强大的数据处理能力,往往能够从大量复杂的输入中挖掘出数据的本质信息和模式,因此机器学习在脑机接口中的应用取得了很大的成功。机器学习的引入使得脑机接口系统能够从脑电信号中提取出具有信息量的特征以及构建具有鲁棒性的模型。然而目前机器学习的大部分模型存在着一个严重的安全问题——对抗攻击。而污染攻击是对抗攻击的一种,通过在训练集中加入少量的污染样本,从而控制在污染的训练集中训练的模型的行为。基于机器学习的脑机接口同样面临着这样的安全问题,大大限制了其在实际系统中的应用。而现有的系统安全性测试方法大多通过采用攻击方法对系统进行有效攻击来进行安全性测试,故在系统被实际应用前,研究一种基于EEG的脑机接口系统的污染攻击方法具有重要意义。
现有的基于EEG的脑机接口系统的污染攻击方法针对脑机接口专门设计特定的污染样本,使得其中的机器学习模型在白盒和黑盒的场景下的测试准确率大幅下降;或者通过攻击使经过攻击后的样本能够让模型的预测值改变一个特定的值。但是这些方法需要在脑机接口系统中的信号预处理和机器学习模型之间加入一个攻击模块对预处理后的EEG信号添加对抗扰动噪声,这种操作在实际中是不容易实现的(因为信号预处理和机器学习模型往往存储在同一块芯片上,攻击者很难对其进行修改),故很难威胁到一个实际的脑机接口系统。同时,这些方法生成的对抗扰动噪声往往是比较复杂的,并且每个通道有着各自不相同的扰动,这对于实际去产生和添加这样的噪声是非常困难的。另外,现有方法为了生成对抗扰动噪声,攻击者需要事先知道EEG信号的信息,其中包括其数据内容和信号起始时间等。这些信息在实际脑机接口使用中也是很难获取的,因为用户在使用的时候可能随时都会进行脑部活动,而外部攻击者无法在用户大脑刚开始活动时实施攻击。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于EEG的脑机接口系统的污染攻击方法,其目的在于解决脑机接口系统在实际应用中缺乏简单易行、能在实际场景中实施的攻击方法去验证系统安全性的问题。
为实现上述目的,第一方面,本发明提供了一种基于EEG的脑机接口系统的污染攻击方法,包括:将周期窄脉冲施加到原始待输入到脑机接口系统的脑电信号中,得到污染信号,并将污染信号输入到脑机接口系统中的预设立完后门的分类模型中,得到指定类别的分类结果。
进一步优选地,在分类模型中预设立后门的方法,包括以下步骤:
S11、根据分类模型的当前分类任务,预采集若干脑电信号,并将周期窄脉冲施加到预采集的各脑电信号中,得到一组污染样本,分别将各污染样本标注为指定类别,得到污染样本集Dc;
S12、将污染样本集Dc加入到分类模型的原始训练集D中,对原始训练集D进行污染,得到被污染的训练集Dp;
S13、采用被污染的训练集Dp对上述分类模型进行训练,得到预设立完后门的分类模型。
进一步优选地,周期窄脉冲的表达式如下:
其中,N(i)为第i个离散时间点处的脉冲值,T为周期窄脉冲的周期,fs为脑电信号的采样频率,φ为随机相位,d为周期窄脉冲的占空比,n=0,1,…,L/T-1,L为预设长度。
进一步优选地,将脑电信号按照上述预设长度进行分段,各段脑电信号分别与周期窄脉冲进行叠加,从而将周期窄脉冲施加到脑电信号中。
进一步优选地,对每一段脑电信号施加完周期窄脉冲后,随机改变周期窄脉冲中随机相位的值,从而使周期窄脉冲施加到脑电信号的时间具有随机性。
第二方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的一种基于EEG的脑机接口系统的污染攻击方法。
第三方面,本发明提供了一种基于EEG的脑机接口系统的污染攻击方法,包括:采用丢包掩模Mm,l对原始输入到脑机接口系统的脑电信号进行丢包处理,得到污染信号,并将污染信号输入到脑机接口系统中的预设立完后门的分类模型中,得到指定类别的分类结果;其中,丢包掩模Mm,l用于指定脑电信号中的丢包位置及数量,m为随机生成的丢包位置的数量,l为每个丢包位置处丢失的数据个数。
进一步优选地,在分类模型中预设立后门的方法,包括以下步骤:
S21、根据分类模型的当前分类任务,预采集若干脑电信号,并采用丢包掩模Mm,l对预采集的各脑电信号进行丢包处理,得到一组污染样本,分别将各污染样本标注为指定类别,得到污染样本集Dc;
S22、将污染样本集Dc加入到分类模型的原始训练集D中,对原始训练集D进行污染,得到被污染的训练集Dp;
S23、采用被污染的训练集Dp对上述分类模型进行训练,得到预设立完后门的分类模型。
进一步优选地,将脑电信号按照丢包掩模Mm,l的长度R进行分段,采用丢包掩模Mm,l分别对各段脑电信号进行丢包处理;每一段脑电信号丢包完成后,将丢包掩模Mm,l向前或者向后随机移动距离r,使脑电信号的丢包时间具有随机性;其中,
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第三方面所提供的一种基于EEG的脑机接口系统的污染攻击方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明第一方面提供了一种基于EEG的脑机接口系统的污染攻击方法,从实际的角度出发,设计了具有可行性的攻击框架。攻击能够在脑电信号的采集过程进行实施,可以很好地对脑机接口系统中相对比较薄弱的环节进行测试。该方法根据分类模型的当前分类任务预采集脑电信号后,通过施加周期窄脉冲构造污染样本,并将各污染样本标注为指定类别,得到污染样本集;通过将污染样本集加入到分类模型的原始训练集中,对原始训练集进行污染,待该污染后的训练集对分类模型训练完成,即在分类模型中设置了后门,然后在攻击过程中直接将周期窄脉冲施加到原始脑电信号中,即设置了对应的后门钥匙;整个过程无需预先知晓分类模型、其原始训练集以及原始脑电信号,也无需外加攻击模块,仅通过外加污染样本即可实现攻击,简单可行,能在实际场景中进行有效实施来验证系统安全性。
2、本发明第一方面所提供了基于EEG的脑机接口系统的污染攻击方法,在后门以及后门钥匙的设计中引入时间不确定性,对每一段脑电信号施加完周期窄脉冲后,随机改变周期窄脉冲中随机相位的值,然后再对下一段脑电信号进行处理,使得周期窄脉冲施加到脑电信号的时间具有随机性,进而使得其能够真正地注入到现实脑机接口采集到的脑电信号中。该攻击方法能够对实际EEG脑机接口系统进行有效的污染攻击测试,能够很好地衡量脑机接口系统在实际使用中的安全性。
3、本发明第三方面提供了一种基于EEG的脑机接口系统的污染攻击方法,从实际的角度出发,设计了具有可行性的攻击框架。攻击能够在脑电信号的传输过程进行实施,可以很好地对脑机接口系统中相对比较薄弱的环节进行测试。该方法根据分类模型的当前分类任务预采集的各脑电信号后,采用丢包掩模对预采集的各脑电信号进行丢包处理构造污染样本,并将各污染样本标注为指定类别,得到污染样本集;通过将污染样本集加入到分类模型的原始训练集中以对原始训练集进行污染后,待被污染后的训练集对分类模型训练完成后,即在分类模型中设置了一个后门,然后在攻击过程中同样采用丢包掩模对原始脑电信号进行丢包处理,即设置了对应的后门钥匙;整个过程无需预先知晓分类模型、其原始训练集以及原始脑电信号,也无需外加攻击模块,仅通过对原始脑电信号进行丢包处理即可实现攻击,简单可行,能在实际场景中进行有效实施来验证系统安全性。
4、本发明第三方面所提供了基于EEG的脑机接口系统的污染攻击方法,在后门以及后门钥匙的设计中引入时间不确定性,每一段脑电信号丢包完成后,将丢包掩模Mm,l向前或者向后随机移动,使脑电信号的丢包时间具有随机性,进而使得其能够真正地注入到现实脑机接口采集到的脑电信号中。该攻击方法能够对实际EEG脑机接口系统进行有效的污染攻击测试,能够很好地衡量脑机接口系统在实际使用中的安全性。
附图说明
图1是本发明实施例1所提供的一种基于EEG的脑机接口系统的污染攻击方法流程图;
图2是本发明实施例2所提供的一种基于EEG的脑机接口系统的污染攻击方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种基于EEG的脑机接口系统的污染攻击方法,如图1所示,包括:将周期窄脉冲施加到原始待输入到脑机接口系统的脑电信号中,得到污染信号,并将污染信号输入到脑机接口系统中的预设立完后门的分类模型中,得到指定类别的分类结果。具体的,在采集过程中,通过干扰设备将窄周期脉冲施加到原始待输入到脑机接口系统的脑电信号中,得到污染信号。
其中,在分类模型中预设立后门的方法,包括以下步骤:
S11、根据分类模型的当前分类任务,预采集若干脑电信号,并将周期窄脉冲施加到预采集的各脑电信号中,得到一组污染样本,分别将各污染样本标注为指定类别,得到污染样本集Dc;
S12、将污染样本集Dc加入到分类模型的原始训练集D中,对原始训练集D进行污染,得到被污染的训练集Dp;
S13、采用被污染的训练集Dp对上述分类模型进行训练,得到预设立完后门的分类模型。
需要说明的是,上述在分类模型中预设立后门和进行污染攻击的过程中,对将周期窄脉冲施加到脑电信号的方法均相同。具体的,窄周期脉冲是一种干扰信号,将周期窄脉冲施加到脑电信号的过程可以看做是设计后门钥匙的过程,该后门钥匙是容易生成的,且能够很方便地加入到脑电信号中,便于实现有效的、应用到实际场景的攻击。
本实施例中,将脑电信号按照预设长度L进行分段,各段脑电信号分别与周期窄脉冲进行叠加,从而将周期窄脉冲施加到脑电信号中。周期窄脉冲的实际形状由周期T和占空比d决定,由于污染是在数字环境下进行的,于是给定脑电信号的采样频率fs。具体的,周期窄脉冲的表达式如下:
其中,N(i)为第i个离散时间点处的脉冲值,φ为随机相位,n=0,1,…,L/T-1。需要说明的是,预设长度L是由具体的任务决定的,是一次任务的数据长度,如在运动想象任务中,预设长度L取值为1.5s。
考虑到在实际攻击的场景下,脑机接口系统使用过程中攻击者无法获知脑电信号的起始时间,因此在加入后门钥匙时存在着时间上的不确定性。优选地,对每一段脑电信号施加完周期窄脉冲后,随机改变周期窄脉冲中随机相位的值,从而使周期窄脉冲施加到脑电信号的时间具有随机性,进而使得分类模型能够从污染样本中学习到周期窄脉冲和时间无关的本质特征。
实施例2、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的一种基于EEG的脑机接口系统的污染攻击方法。
相关技术方案同实施例1,这里不做赘述。
实施例3、
一种基于EEG的脑机接口系统的污染攻击方法,如图2所示,包括:采用丢包掩模Mm,l对原始输入到脑机接口系统的脑电信号x进行丢包处理,得到污染信号xp=Mm,l(x),并将污染信号输入到脑机接口系统中的预设立完后门的分类模型中,得到指定类别的分类结果;其中,丢包掩模Mm,l用于指定脑电信号中的丢包位置及数量。在生成丢包掩膜Mm,l时,会随机搜索m个丢包位置,m为随机生成的丢包位置的数量,l为每个丢包位置处丢失的数据个数。具体的,上述丢包处理为将采用丢包掩模Mm,l所指定的脑电信号中的丢包位置处的对应个数的数据置为0。具体的,本实施例中,在脑电信号通过蓝牙、无线电传输过程中采用丢包掩模Mm,l进行特定的丢包。
进一步地,在分类模型中预设立后门的方法,包括以下步骤:
S21、根据分类模型的当前分类任务,预采集若干脑电信号,并采用丢包掩模Mm,l对预采集的各脑电信号进行丢包处理,得到一组污染样本,分别将各污染样本标注为指定类别,得到污染样本集Dc;
S22、将污染样本集Dc加入到分类模型的原始训练集D中,对原始训练集D进行污染,得到被污染的训练集Dp;
S23、采用被污染的训练集Dp对上述分类模型进行训练,得到预设立完后门的分类模型。
需要说明的是,上述在分类模型中预设立后门和进行污染攻击的过程中,对脑电信号进行丢包处理的方法均相同。具体的,脑机接口常常使用蓝牙或者无线电进行数据传输,数据丢包往往发生在数据传输过程中。上述丢包过程可以看做是在脑电信号中注入特定的后门钥匙的过程,该后门钥匙是容易生成的,且能够很方便地加入到脑电信号中,便于实现有效的、应用到实际场景的攻击。
考虑到在实际攻击的场景下,脑机接口系统使用过程中攻击者无法获知脑电信号的起始时间,因此在加入后门钥匙时存在着时间上的不确定性。优选地,将脑电信号按照丢包掩模Mm,l的长度R进行分段,采用丢包掩模Mm,l分别对各段脑电信号进行丢包处理;每一段脑电信号丢包完成后,将丢包掩模Mm,l向前或者向后随机移动距离r,其中,r∈[0,R2]。通过随机移动,使用丢包去构造污染样本时引入了时间的不确定性,同样地,分类模型在污染数据中能够学习到丢包本身的特征,去除了对时间依赖的特征,能够让丢包能更好地应用在实际场景中。需要说明的是,丢包掩模Mm,l的长度R是由具体的任务决定的,是一次任务的数据长度,如在运动想象任务中,R取值为1.5s。
实施例4、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例3所提供的一种基于EEG的脑机接口系统的污染攻击方法。
相关技术方案同实施例3,这里不做赘述。
综上所述,本发明从实际的角度出发,设计了具有可行性的攻击框架。攻击能够在EEG信号的采集过程(实施例1)和传输过程(实施例3)进行实施,很好地利用了脑机接口系统中相对比较薄弱的两个环节。同时,本发明还设计了两种能够在实际中实现的“后门”钥匙,并进一步引入时间不确定性,使得其能够真正地注入到现实脑机接口采集到的EEG信号中。进而在系统安全测试时能够对实际EEG脑机接口系统的应用产生有效的攻击,进而能够很好地衡量脑机接口系统在实际使用中的安全性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于EEG的脑机接口系统的污染攻击方法,其特征在于,将周期窄脉冲施加到原始待输入到脑机接口系统的脑电信号中,得到污染信号,并将所述污染信号输入到所述脑机接口系统中的预设立完后门的分类模型中,得到指定类别的分类结果。
2.根据权利要求1所述的污染攻击方法,其特征在于,在所述分类模型中预设立后门的方法,包括以下步骤:
S11、根据所述分类模型的当前分类任务,预采集若干脑电信号,并将所述周期窄脉冲施加到预采集的各脑电信号中,得到一组污染样本,分别将各污染样本标注为指定类别,得到污染样本集Dc;
S12、将所述污染样本集Dc加入到所述分类模型的原始训练集D中,对所述原始训练集D进行污染,得到被污染的训练集Dp;
S13、采用所述被污染的训练集Dp对所述分类模型进行训练,得到所述预设立完后门的分类模型。
4.根据权利要求3所述的污染攻击方法,其特征在于,将脑电信号按照所述预设长度进行分段,各段脑电信号分别与所述周期窄脉冲进行叠加,从而将所述周期窄脉冲施加到脑电信号中。
5.根据权利要求4所述的污染攻击方法,其特征在于,对每一段脑电信号施加完所述周期窄脉冲后,随机改变所述周期窄脉冲中所述随机相位的值,从而使所述周期窄脉冲施加到脑电信号的时间具有随机性。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-5任意一项所述的污染攻击方法。
7.一种基于EEG的脑机接口系统的污染攻击方法,其特征在于,包括:采用丢包掩模Mm,l对原始输入到脑机接口系统的脑电信号进行丢包处理,得到污染信号,并将所述污染信号输入到脑机接口系统中的预设立完后门的分类模型中,得到指定类别的分类结果;其中,所述丢包掩模Mm,l用于指定的所述脑电信号中的丢包位置及数量,m为随机生成的丢包位置的数量,l为每个丢包位置处丢失的数据个数。
8.根据权利要求7所述的污染攻击方法,其特征在于,在所述分类模型中预设立后门的方法,包括以下步骤:
S21、根据所述分类模型的当前分类任务,预采集若干脑电信号,并采用所述丢包掩模Mm,l对预采集的各脑电信号进行丢包处理,得到一组污染样本,分别将各污染样本标注为指定类别,得到污染样本集Dc;
S22、将所述污染样本集Dc加入到所述分类模型的原始训练集D中,对所述原始训练集D进行污染,得到被污染的训练集Dp;
S23、采用所述被污染的训练集Dp对所述分类模型进行训练,得到所述预设立完后门的分类模型。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求7-9任意一项所述的污染攻击方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011172919.0A CN112256133B (zh) | 2020-10-28 | 2020-10-28 | 一种基于eeg的脑机接口系统的污染攻击方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011172919.0A CN112256133B (zh) | 2020-10-28 | 2020-10-28 | 一种基于eeg的脑机接口系统的污染攻击方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112256133A true CN112256133A (zh) | 2021-01-22 |
CN112256133B CN112256133B (zh) | 2022-05-20 |
Family
ID=74261222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011172919.0A Active CN112256133B (zh) | 2020-10-28 | 2020-10-28 | 一种基于eeg的脑机接口系统的污染攻击方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112256133B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110213439A1 (en) * | 2010-02-26 | 2011-09-01 | The Rockefeller University | Neuromodulation Having Non-Linear Dynamics |
CN105376229A (zh) * | 2015-11-13 | 2016-03-02 | 中国人民解放军信息工程大学 | 一种内容中心网络缓存污染攻击主动防御方法 |
CN109222965A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
US20190080089A1 (en) * | 2017-09-11 | 2019-03-14 | Intel Corporation | Adversarial attack prevention and malware detection system |
CN110764958A (zh) * | 2019-09-24 | 2020-02-07 | 华中科技大学 | 一种基于eeg的脑机接口回归系统白盒目标攻击方法 |
CN110768959A (zh) * | 2019-09-20 | 2020-02-07 | 浙江工业大学 | 一种基于信号边界摸索攻击的防御方法 |
CN110837637A (zh) * | 2019-10-16 | 2020-02-25 | 华中科技大学 | 一种脑机接口系统黑盒攻击方法 |
-
2020
- 2020-10-28 CN CN202011172919.0A patent/CN112256133B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110213439A1 (en) * | 2010-02-26 | 2011-09-01 | The Rockefeller University | Neuromodulation Having Non-Linear Dynamics |
CN105376229A (zh) * | 2015-11-13 | 2016-03-02 | 中国人民解放军信息工程大学 | 一种内容中心网络缓存污染攻击主动防御方法 |
US20190080089A1 (en) * | 2017-09-11 | 2019-03-14 | Intel Corporation | Adversarial attack prevention and malware detection system |
CN109222965A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
CN110768959A (zh) * | 2019-09-20 | 2020-02-07 | 浙江工业大学 | 一种基于信号边界摸索攻击的防御方法 |
CN110764958A (zh) * | 2019-09-24 | 2020-02-07 | 华中科技大学 | 一种基于eeg的脑机接口回归系统白盒目标攻击方法 |
CN110837637A (zh) * | 2019-10-16 | 2020-02-25 | 华中科技大学 | 一种脑机接口系统黑盒攻击方法 |
Non-Patent Citations (5)
Title |
---|
PAPERNOT N,ET AL.: "Practical Black-Box Attacks against Machine Learning", 《 HTTPS://ARXIV.ORG/ABS/1602.02697V4》 * |
XIAO ZHANG,ET AL.: "On the vulnerability of CNN classifiers in EEG-based BCIs", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》 * |
张进等: "基于组合分类器的不同状态下脑电信号分类", 《控制与决策》 * |
贾花萍等: "《脑电信号分析方法与脑机接口技术》", 31 May 2016, 科学出版社 * |
郑林浩等: "CCN中缓存污染攻击的建模与分类", 《信息工程大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112256133B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509021B (zh) | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 | |
CN102288840B (zh) | 使用谱分析和时域概率密度分解并分析抖动的方法 | |
Lopes-dos-Santos et al. | Detecting cell assemblies in large neuronal populations | |
CN105373478B (zh) | 自动化测试方法和系统 | |
DE102017213119A1 (de) | Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk | |
Patil | Artificial intelligence in cybersecurity | |
DE112012004250T5 (de) | Unkenntlichmachen eines Beschleunigungssensorsignals | |
CN109684803A (zh) | 基于手势滑动的人机验证方法 | |
CN111310156B (zh) | 一种滑块验证码的自动识别方法及系统 | |
CN108235733B (zh) | 基于拉曼光谱的物质识别方法及云端系统 | |
CN111310155B (zh) | 一种用于滑块验证码自动识别的系统架构及实现方法 | |
CN106057004A (zh) | 一种在线学习方法及装置、移动设备 | |
CN111309222A (zh) | 一种滑块验证码的滑块缺口定位及拖动轨迹生成方法 | |
CN103150007A (zh) | 一种输入方法及装置 | |
CN109359053A (zh) | 测试报告的生成方法和相关装置、测试系统及存储介质 | |
DE102022119975A1 (de) | Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen | |
CN112256133B (zh) | 一种基于eeg的脑机接口系统的污染攻击方法 | |
Akula et al. | Explainable AI as Collaborative Task Solving. | |
Gale et al. | Automatic detection of wireless transmissions | |
CN106921500A (zh) | 一种移动设备的身份认证方法及装置 | |
CN104239892A (zh) | 基于ksvd训练字典的sar图像混合模型拟合方法 | |
CN108459848A (zh) | 一种应用于Excel软件的脚本获取方法及系统 | |
CN111833375B (zh) | 一种动物群体轨迹追踪的方法及其系统 | |
DE102021132827A1 (de) | Verfahren zur automatischen Untersuchung von Zuständen und Übergängen einer Mensch- Maschine-Schnittstelle ( HMI) | |
CN113791781A (zh) | 一种基于图神经网络的界面功能场景划分方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |