计算机工程

作者：王人帅, 杨奎武, 陈越, 王雯, 魏江宏

单位：1. 郑州大学网络空间安全学院, 河南 郑州 4500022. 中国人民解放军战略支援部队信息工程大学, 河南 郑州 450001

关键词：后门攻击,AI安全,预训练模型,图像数据,神经网络

基金：国家自然科学基金(62172433); 国家自然科学基金(62172434)

深入探讨深度学习领域的后门攻击问题, 该问题是一个涉及深度学习模型安全性和鲁棒性的重要议题。随着深度学习技术的广泛应用, 使用第三方数据和预训练模型变得普遍, 但这也带来了潜在的安全威胁。研究人员发现, 通过未经验证的第三方资源, 恶意代码或隐藏后门可能被引入模型中, 它们可能在特定条件下被激活, 导致模型行为异常。目前, 图像领域的后门攻击方法不断发展, 但缺乏系统性的综述来全面介绍图像领域的后门攻击技术。为此, 首先介绍后门攻击的概念和基本的攻击流程, 然后分析后门攻击和对抗攻击、数据投毒攻击2种相关安全威胁的区别, 随后从不同触发器、不同融合策略、不同目标类别、模型结构修改、模型权重修改、代码中毒、数据排序等7个方面对图像领域的后门攻击技术进行归类, 介绍后门攻击技术的演进, 分析其特点、性能以及不同技术的优缺点。在此基础上, 总结目前的研究成果, 并从多个角度对未来可能的研究方向进行分析和展望, 强调构建安全、可靠的深度学习模型的重要性。

来源：2026年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第3期