“There is another interesting paper on a similar topic that proves that this approach is vulnerable to different adversarial attacks”
AdVersarial: Perceptual Ad Blocking meets Adversarial Machine Learning
对多种基于视觉的广告拦截器发起对抗样本攻击,揭示新的攻防竞赛
论文指出,基于视觉内容识别广告的感知式广告拦截并不一定能避免与网站和广告商的军备竞赛。作者先分析其设计空间并给出统一架构,再对检测管线发起多种攻击:对七个广告检测器构造扰动广告、广告披露标志和原生网页内容,成功率达 100%,并展示攻击者可借此绕过网络安全边界、发起 DDoS,例如通过上传对抗图片让拦截器删除他人的非广告内容。作者还把对抗样本攻击延伸到基于机器学习识别原始音频流广告的开源电台客户端 AdblockRadio。
HN 评论者用它说明基于感知的广告拦截方式易受不同的对抗攻击,并展望感知式拦截器与伪装成内容的广告之间的下一轮军备竞赛。
学习路径
读这篇之前,按顺序读书架上的 6 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先读对抗样本的基本事实(物理世界、黑盒、通用扰动、鲁棒合成),再补上目标检测器 YOLO 系列,因为目标论文正是用这些攻击手段对付基于视觉的广告拦截器。
- 1
表明对抗样本经摄像头等物理环节后仍有效,是攻击现实视觉系统的基础。
读对抗图像打印再拍摄后仍能误导分类器的实验设置与结论。
- 2
展示无需模型内部信息,只靠查询输出就能攻击远程模型,对应目标论文中的黑盒场景。
读训练替代模型并迁移对抗样本的流程;威胁模型的设定。
- 3
通用扰动与输入无关,便于在拦截器场景里批量复用。
读universal perturbation 的生成思路及其跨图像、跨模型的泛化。
- 4
生成在变换下仍然有效的对抗样本,对应网页渲染与缩放等环境下攻击要稳健的需求。
读Expectation over Transformation 的思想,不必深究 3D 打印实验。
- 5
YOLO 是基于视觉的目标检测的代表思路,理解被攻击的检测模型从这里入手。
读把检测当作回归问题的整体结构与输出格式(网格、边框、置信度)。
- 6
- 7AdVersarial: Perceptual Ad Blocking meets Adversarial Machine Learning
对多种感知式广告拦截器发起对抗攻击,揭示新的攻防竞赛和新的安全风险。
读各拦截器的威胁模型、对应的攻击方式,以及拦截器自身引入的额外漏洞。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“The next ad-blocking arms race will be between perceptual ad blockers and the companies trying to embed ads that look like part of the content (ai vs ai).”
- Ad-Versarial: Defeating Perceptual Ad-Blocking ↗DyslexicAtheist · 2018-11-09 · 2 分