Securing Contrastive mmWave-based Human Activity Recognition against Adversarial Label Flipping
تقدم هذه الورقة أول دراسة منهجية حول ثغرات التعرف على الأنشطة البشرية عبر موجات المليمتر (mmWave) القائم على التعلم التبايني الخاضع للإشراف ضد هجمات تسميم قلب الملصقات، حيث تحدد ثلاثة ناقلات هجوم محددة وتقترح تدابير مضادة مقابلة تم التحقق من صحتها على نظام أولي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك عيناً خارقة وغير مرئية يمكنها الرؤية عبر الجدران دون الحاجة أبداً إلى كاميرا. هذا ليس سحراً، بل هو تقنية تسمى رادار الموجات المليمترية (mmWave). فكر في الأمر كخفاش يستخدم تحديد الموقع بالصدى، ولكن بدلاً من الصوت، يستخدم موجات راديو عالية التردد لإنشاء خريطة حرارية مفصلة ومتحركة لجسم الإنسان. إذا لوحت بيدك، فإن الرادار يرى شكل وسرعة تلك اللوحة. يستخدم العلماء هذا لبناء أنظمة "التعرف على النشاط البشري" (HAR)، وهي تشبه المحققين الرقميين الذين يمكنهم معرفة ما إذا كنت تدفع باباً، أو تسحب درجاً، أو تستدير، كل ذلك دون أن ترتدي ساعة أو مستشعراً.
ولجعل هؤلاء المحققين الرقميين أذكياء حقاً، يعلمهم الباحثون باستخدام طريقة تسمى "التعلم التبايني الخاضع للإشراف". يمكنك التفكير في هذا الأمر كمعلم يري طالباً صورتين لقطة ويقول له: "انظر؟ هذا النوع من الحيوانات هو نفسه"، ثم يظهر له صورة كلب ويقول: "هذا مختلف". الهدف هو أن يتعلم الكمبيوتر أن جميع حركات "الدفع" تبدو متشابهة مع بعضها البعض، ومختلفة تماماً عن حركات "السحب". ولكن هنا تكمن المشكلة: ماذا لو تسلل شخص ما إلى فصل المعلم وقام باستبدال الملصقات على البطاقات التعليمية؟ ماذا لو أخبروا الكمبيوتر أن "الدفع" هو في الواقع "سحب"؟ هذا ما يسمى بهجوم "قلب الملصقات" (label flipping)، وهذا هو الخطر الذي يستكشفه هذا البحث.
قرر الباحثون في جامعة بوردو وزملاؤهم التحقيق في مدى ضعف أنظمة اكتشاف النشاط بتقنية mmWave أمام هذا النوع من الخداع. لقد بنوا نظاماً نموذجياً يمكنه التعرف على ست حركات يد مختلفة: الدفع، السحب، الانزلاق لليسار، الانزلاق لليمين، والدوران في اتجاه عقارب الساعة أو عكس اتجاه عقارب الساعة. ثم طرحوا سؤالاً صعباً: إذا قام مهاجم بتغيير ملصقات بيانات التدريب، فما مدى سوء انهيار النظام؟
لقد اكتشفوا أن النظام هش بشكل مثير للدهشة. فقد حددوا ثلاث طرق محددة يمكن للمهاجم من خلالها إفساد الأمور. أولاً، يمكنهم ببساطة استبدال الملصقات عشوائياً، بإخبار الكمبيوتر أن "الدفع" هو "انزلاق". ثانياً، يمكنهم استبدال الملصقات بين الأنشطة التي تتحرك في اتجاهات مختلفة تماماً (مثل الدفع مقابل الانزلاق). ثالثاً، وهو الأكثر دهاءً، يمكنهم استبدال الملصقات بين الأنشطة التي تبدو متشابهة جداً، مثل "الدفع" و"السحب"، وهما مجرد اتجاهين متعاكسين لنفس الحركة.
كانت النتائج مخيفة نوعاً ما. عندما أدخل الباحثون هذه الملصقات المزيفة، انهار قدرة النظام على التمييز بين الأنشطة. في الواقع، طريقة التعلم المتقدمة التي كانوا يستخدمونها (التعلم التبايني الخاضع للإشراف) تعطلت بشكل أسرع من الطريقة القياسية عندما كانت الملصقات مسمومة. إنه يشبه سيارة رياضية عالية الأداء تتعامل مع الحفرة بشكل أسوأ من سيارة عادية لأن نظام تعليقها مضبوط بدقة شديدة. عندما تم قلب 40% من ملصقات التدريب، أصبح النظام عديم الفائدة تقرياً، حيث خلط بين جميع حركات اليد حتى لم يعد بإمكانه التمييز بين الدفع والدوران.
لكن الفريق لم يتوقف عند اكتشاف المشكلة فحسب؛ بل بنوا درعاً. لقد طوروا آلية دفاع أطلقوا عليها اسم "Sel-CL" (التعلم التبايني الانتقائي). تخيل محققاً لا يأخذ كل دليل على أنه حقيقة مسلم بها فحسب. بدلاً من ذلك، ينظر هذا المحقق إلى الأدلة، ويجد تلك التي تبدو منطقية معاً، ويتجاهل تلك التي تبدو مشبوهة. يحاول نظامهم أولاً تحديد نقاط البيانات التي تتمتع بـ "ثقة عالية" — أي أن الكمبيوتر متأكد مما يراه — قبل أن يثق في الملصقات المرتبطة بها. إنه يقوم بتصفية البيانات الصاخبة التي يُحتمل أنها مزيفة ويتعلم فقط من الأمثلة النظيفة والموثوقة.
عملت آلية الدفاع بشكل جيد للغاية. حتى عندما تم تسميم بيانات التدريب بنسبة 40% من الملصقات المزيفة، حافظ نظامهم الجديد على دقة تزيد عن 90%. لقد كان قادراً على تجاهل الارتباك ولا يزال يحدد بشكل صحيح أن "الدفع" هو "دفع". في الواقع، عندما اختبروه مع ما يصل إلى 80% من البيانات المسمومة، ظل أداؤه أفضل من الأنظمة الأخرى التي استسلمت تماماً وبدأت تخمن عشوائياً.
يخلص البحث إلى أنه بينما تعد أنظمة mmWave هذه قوية وغير اقتحامية، إلا أنها تحتاج إلى أن تُبنى مع وضع الأمن في الاعتبار منذ البداية. لقد أظهر الباحثون أنه من خلال كوننا أذكياء بشأن البيانات التي نثق بها أثناء التدريب، يمكننا حماية هذه العيون غير المرئية من التعرض للخداع بواسطة هجمات قلب الملصقات الخبيثة. تشير نتائجهم إلى أن هذا النهج يمكن استخدامه ليس فقط لتقنية mmWave، بل لأنظمة الاستشعار اللاسلكية الأخرى أيضاً، مما يضمن أن منازلنا الذكية وأنظمة الأمان المستقبلية ستظل موثوقة حتى عندما يحاول شخص ما اللعب بالحيل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.