本篇文章给大家谈谈人工智能有哪些滥用，以及人工智能有哪些滥用方式对应的知识点，文章可能有点长，但是希望大家可以阅读完，增长自己的知识，最重要的是希望对各位有所帮助，可以解决了您的问题，不要忘了收藏本站喔。
本文目录
如何防止人工智能技术的滥用？
我们从人工智能的攻击、防御技术的对抗来讨论这个问题。ElieBursztein在本文综述了三种针对人工智能系统的攻击技术——对抗性输入、数据中毒攻击及模型窃取技术，在每一种攻击的讨论中都加入了具体例子及防御策略，旨在为所有对利用人工智能进行反滥用防御感兴趣的人提供一个概述。
对分类器的高层次攻击可以分为以下三种类型：
对抗性输入：这是专门设计的输入，旨在确保被误分类，以躲避检测。对抗性输入包含专门用来躲避防病毒程序的恶意文档和试图逃避垃圾邮件过滤器的电子邮件。
数据中毒攻击：这涉及到向分类器输入对抗性训练数据。我们观察到的最常见的攻击类型是模型偏斜，攻击者以这种方式污染训练数据，使得分类器在归类好数据和坏数据的时候向自己的偏好倾斜。我们在实践中观察到的第二种攻击是反馈武器化（feedbackweaponization），它试图滥用反馈机制来操纵系统将好的内容误分类为滥用类（例如，竞争者的内容或者报复性攻击的一部分）。
模型窃取技术：用来通过黑盒探测「窃取」（即复制）模型或恢复训练数据身份。例如，这可以用来窃取股市预测模型和垃圾邮件过滤模型，以便使用它们或者能够针对这些模型进行更有效的优化。
这篇文章依次探讨了每一类攻击，提供了具体的例子，并且讨论了可能的缓解方法。
这篇文章是关于如何使用人工智能构建鲁棒的反滥用保护系统系列文章中的第四篇，也是最后一篇。第一篇文章解释了为何AI是构建鲁棒的保护系统的关键，这种保护用来满足用户期望和日益提升的复杂攻击。在介绍完构建和启动一个基于AI的防御系统的自然过程之后，第二篇博文涵盖了与训练分类器相关的挑战。第三篇文章探讨了在生产中使用分类器来阻止攻击的主要困难。
这一系列文章是根据我在RSA2018上的演讲写出来的。
声明：这篇文章旨在为所有对利用人工智能进行反滥用防御感兴趣的人提供一个概述，它是那些正在跳跃观望的人的潜在蓝图。因此，这篇文章侧重于提供一个清晰的高层次总结，有意不深入技术细节。也就是说，如果你是一名专家，我相信你会发现你以前没有听说过的想法、技术和参考资料，希望你会受到启发，并进一步探索它们。
对抗性输入对手不断用新的输入/有效载荷来探测分类器，试图逃避探测。这种有效载荷被称为对抗性输入，因为它们被明确设计成绕过分类器。
这是一个对抗输入的具体例子：几年前，一个聪明的垃圾邮件发送者意识到，如果同一个multipart附件在一封电子邮件中出现多次，Gmail将只显示上图屏幕截图中可见的最后一个附件。他将这一知识武器化，增加了不可见的第一个multipart，其中包含许多著名的域，试图逃避检测。此攻击是称为关键字填充的攻击类别的一个变体。
一般来说，分类器迟早会面临两种对抗性输入：变异输入，这是为避开分类器而专门设计的已知攻击的变体；零日输入，这是在有效载荷之前从未见过的。让我们依次探究每一种对抗性输入。
变异输入
在过去的几年里，我们看到地下服务爆炸式增长，这种服务旨在帮助网络犯罪分子制造不可探测的有效载荷，在秘密世界中最有名的是FUD(完全不可探测的)有效载荷。这些服务从允许针对所有防病毒软件测试有效负载的测试服务，到旨在以使恶意文档不可检测的方式混淆恶意文档的自动打包程序。上面的截图展示了两个这样的服务。
专门从事有效载荷制造的地下服务的重新出现凸显了这样一个事实:
攻击者主动优化攻击，以确保最小化分类器检测率。
因此，必须开发检测系统，使攻击者难以进行有效负载优化。下面是三个关键的设计策略来帮助实现这一点。
1.限制信息泄露
这里的目标是确保攻击者在探查你的系统时获得尽可能少的收获。保持反馈最小化并尽可能延迟反馈是很重要的，例如避免返回详细的错误代码或置信度值。
2.限制探测
此策略的目标是通过限制攻击者针对你的系统测试有效负载的频率来降低攻击者的速度。通过限制攻击者对你的系统执行测试的频率可以有效降低他们设计有害有效负载的速度。
这一策略主要是通过对稀缺资源（如IP和帐户）实施速率限制来实现的。这种速率限制的典型例子是要求用户解决验证码，验证他是否发布的太频繁，如上所示。
这种主动限制活动率的负面影响是，它会鼓励不良行为者创建假账户，并使用受损的用户计算机来分散他们的IP池。业内广泛使用限速是非常活跃的黑市论坛兴起的一个主要驱动因素，在这些论坛中，账户和IP地址被常规出售，如上面的截图所示。
3.集成学习
最后但同样重要的是，结合各种检测机制，使攻击者更难绕过整个系统。使用集成学习将基于声誉的检测方法、人工智能分类器、检测规则和异常检测等不同类型的检测方法结合起来，提高了系统的鲁棒性，因为不良行为者不得不同时制作避免所有这些机制的有效载荷。
例如，如上面的截图所示，为了确保Gmail分类器对垃圾邮件制造者的鲁棒性，我们将多个分类器和辅助系统结合在一起。这样的系统包括声誉系统、大型线性分类器、深度学习分类器和其他一些秘密技术。
深度神经网络对抗攻击实例
如何制作欺骗深度神经网络（DNN）的对抗例子是一个非常活跃的相关研究领域。现在，创建难以察觉的扰动，彻底骗过DNN是一件小事，如上面从论文《ExplainingandHarnessingAdversarialExamples》（https://arxiv.org/abs/1412.6572）截取的图片所示。
最近的研究(https://arxiv.org/abs/1711.11561)表明，CNN容易受到对抗性输入攻击，因为他们倾向于学习表面的数据集的规则性，而不是很好地泛化和学习不太容易受到噪声影响的高级表征。
这种攻击会影响所有DNN，包括基于增强学习的DNN(https://arxiv.org/abs/1701.04143)，如上面视频中所强调的。要了解更多关于此类攻击的信息，请阅读IanGoodfellow关于此主题的介绍文章，或者开始尝试CleverHans的实验(https://github.com/tensorflow/cleverhans）。
从防御者的角度来看，这种类型的攻击已经被证明（到目前为止）是非常有问题的，因为我们还没有有效的方法来防御这种攻击。从根本上说，我们没有一种有效的方法让DNN为所有输入产生良好的输出。让他们这样做是非常困难的，因为DNN在非常大的空间内执行非线性/非凸优化，我们还没有教他们学习泛化良好的高级表征。你可以阅读Ian和Nicolas的深度文章（http://www.cleverhans.io/security/privacy/ml/2017/02/15/why-attacking-machine-learning-is-easier-than-defending-it.html）来了解更多关于这个的信息。
零日输入
另一种可以完全抛弃分类器的明显的对抗性输入是新的攻击。新的攻击不常发生，但知道如何应对仍然很重要，因为它们可能具有相当大的破坏性。
尽管出现新攻击有许多不可预测的潜在原因，但根据我们的经验，以下两种事件可能会触发新攻击的出现：
新产品或功能推出：本质上，增加功能会为攻击者打开新攻击面，有利于它们快速进行探查。这就是为什么新产品发布时提供零日防御是必要的（但很难）。
增加奖励：虽然很少讨论，但许多新的攻击激增是由攻击媒介推动的，变得非常有利可图。这种行为最近的一个例子是，针对2017年底比特币价格飙升，滥用GoogleCloud等云服务来挖掘加密数字货币的行为有所抬头。
随着比特币价格飙升至1万美元以上，我们看到新的攻击风起云涌，企图窃取Google云计算资源用于挖掘。稍后我将在这篇文章中介绍我们是如何发现这些新攻击的。
总之，NassimTaleb形式化的黑天鹅理论（Blackswantheory）适用于基于人工智能的防御，就像它适用于任何类型的防御一样。
不可预测的攻击迟早会抛弃你的分类器并将产生重大影响。
然而，不是因为你无法预测哪些攻击会抛弃你的分类器，或者这样的攻击什么时候会攻击你，而你无能为力。你可以围绕这类袭击事件进行规划，并制定应急计划来缓解这种情况。在为黑天鹅事件做准备时，这里有几个可以探索的方向。
1.制定事件响应流程
首先要做的是开发和测试事件恢复过程，以确保在措手不及时做出适当反应。这包括但不限于：在调试分类器时，有必要的控件来延迟或停止处理，并知道调用哪个。
GoogleSRE（站点可靠性工程）手册有一章关于事件管理（https://landing.google.com/sre/book/chapters/managing-incidents.html），还有一章关于应急响应(https://landing.google.com/sre/book/chapters/emergency-response.html）。有关更加以网络安全为中心的文档，应该查看NIST(NationalInstituteofStandardsandTechnology）网络安全事件恢复指南（https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-184.pdf）。最后，如果你更愿意看一段对话，请看一下「Google如何运行灾难恢复培训(DiRT)程序」的视频(https://www.usenix.org/conference/lisa15/conference-program/presentation/krishnan)，以及「Faceboook如何做出事件响应」的视频（https://www.usenix.org/node/197445）。
2.使用迁移学习来保护新产品
明显的关键困难是你没有过去的数据来训练你的分类器。缓解这一问题的一种方法是利用迁移学习，它允许你重用一个域中已经存在的数据，并将其应用到另一个域。
例如，如果你处理图像，你可以利用现有的预先训练好的模型（https://keras.io/applications/），而如果你处理文本，你可以使用公共数据集，比如ToxicComment的Jigsaw数据集。
3.利用异常检测
异常检测算法可以用作第一道防线，因为从本质上说，新的攻击将产生一组从未遇到过的异常，这些异常与它们如何使用你的系统有关。
引发一系列新反常现象的新攻击的历史性案例是针对马萨诸塞州WinFall彩票游戏的麻省理工赌博集团攻击（https://www.theatlantic.com/business/archive/2016/02/how-mit-students-gamed-the-lottery/470349/）。
早在2005年，多个赌博集团就发现了WinFall彩票系统的一个缺陷：当累积奖金在所有参与者之间平分时，你每买一张2美元的彩票，平均就能挣2.3美元。每次资金池超过200万美元时，这种被称为「roll-down」的分裂就会发生。
为了避免与其他团体分享收益，麻省理工学院的团体决定提前三周大规模买断彩票，从而引发一场减持行动。很明显，这种从极少数零售商手中购买的大量彩票造成了彩票组织察觉到的大量异常现象。
最近，正如本文前面提到的，当比特币价格在2017年疯狂上涨时，我们开始看到一大批不良行为者试图通过免费使用Googlecloud实例进行挖掘，从这一热潮中获益。为了免费获取实例，他们试图利用许多攻击媒介，包括试图滥用我们的免费层、使用被盗信用卡、危害合法云用户的计算机以及通过网络钓鱼劫持云用户的帐户。
很快，这种攻击变得非常流行，以至于成千上万的人观看了YouTube上关于如何在Googlecloud上挖掘的教程（这在正常情况下是无利可图的）。显然，我们无法预料恶意挖矿会成为如此巨大的问题。
幸运的是，当异常发生时，我们已经为GoogleCloud实例准备了异常检测系统。正如预料的那样，从我们的异常检测系统仪表板上直接获取的上图中可以看出，当实例开始挖掘时，它们的时间行为发生了巨大的变化，因为关联的资源使用与未妥协的云实例所显示的传统资源使用有着根本的不同。我们能够使用这种移位检测来遏制这种新的攻击媒介，确保涉及到的云平台和GCE客户端保持稳定。
数据中毒分类器面临的第二类攻击涉及试图毒害你的数据以使你的系统行为出错的对手。
模型偏斜
第一种中毒攻击称为模型偏斜，攻击者试图污染训练数据，以移动分类器对好、坏输入归类的学习边界。例如，模型偏斜可以用来试图污染训练数据，欺骗分类器将特定的恶意二进制文件标记为良性。
具体例子
在实践中，我们经常看到一些最先进的垃圾邮件制造者团体试图通过将大量垃圾邮件报告为非垃圾邮件来使Gmail过滤器偏离轨道。如图所示，2017年11月底至2018年初，至少有4次大规模恶意行动试图歪曲我们的分类器。
因此，在设计基于AI的防御时，你需要考虑以下事实:
攻击者积极地试图将学到的滥用和合理使用之间的界限转移到对他们有利的位置。
缓解策略
为了防止攻击者歪曲模型，可以利用以下三种策略:
使用合理的数据采样：需要确保一小部分实体（包括IP或用户）不能占模型训练数据的大部分。特别是要注意不要过分重视用户报告的假阳性和假阴性。这可能通过限制每个用户可以贡献的示例数量，或者基于报告的示例数量使用衰减权重来实现。
将新训练的分类器与前一个分类器进行比较以估计发生了多大变化。例如，可以执行darklaunch，并在相同流量上比较两个输出。备选方案包括对一小部分流量进行A/B测试和回溯测试。
构建标准数据集，分类器必须准确预测才能投入生产。此数据集理想地包含一组精心策划的攻击和代表你的系统的正常内容。这一过程将确保你能够在武器化攻击对你的用户产生负面影响之前，检测出该攻击何时能够在你的模型中产生显著的回归。
反馈武器化
第二类数据中毒攻击是将用户反馈系统武器化，以攻击合法用户和内容。一旦攻击者意识到你正在出于惩罚的目的以某种方式使用用户反馈，他们就会试图利用这一事实为自己谋利。
具体例子
我们在2017年目睹的最令人震惊的将用户反馈武器化的尝试之一是一群4chan用户，他们决定通过留下数千个1星评级破坏CNN在应用商店的排名。
反馈武器化之所以被坏人积极利用，有很多原因，包括：试图压制竞争、进行报复、掩盖自己的行踪。上面的截图展示了一个黑市帖子，讨论了如何使用Google来击败竞争对手。
因此，在构建系统时，你需要在以下假设下工作:
任何反馈机制都将被武器化以攻击合法用户和内容。
缓解策略
在缓解反馈武器化的过程中，需要记住以下两点:
不要在反馈和惩罚之间建立直接循环。相反，在做出决定之前，确保评估反馈真实性，并将其与其他信号结合起来。
不要以为受益于滥用内容的所有者对此负有责任。举例来说，不是因为一张照片得到了数百个假的「赞」所有者才买下它。我们已经看到无数袭击者为了掩盖他们的踪迹或试图让我们惩罚无辜用户而榨取合法内容的案例。
模型窃取袭击如果不提及旨在恢复训练期间使用的模型或数据信息的攻击，这篇文章将是不完整的。这种攻击是一个关键问题，因为模型代表了有价值的知识产权资产，这些资产是根据公司的一些最有价值的数据进行训练的，例如金融交易、医疗信息或用户交易。
确保接受过用户敏感数据（如癌症相关数据等）训练的模型的安全性至关重要，因为这些模型可能被滥用，泄露敏感用户信息(https://www.cs.cornell.edu/~shmat/shmat_oak17.pdf)。
攻击
模型窃取的两个主要攻击是:
模型重建：这里的关键思想是攻击者能够通过探测公共API来重新创建模型，并通过将其用作Oracle来逐步完善自己的模型。最近的一篇论文（https://www.usenix.org/system/files/conference/usenixsecurity16/sec16_paper_tramer.pdf）表明，这种攻击似乎对大多数人工智能算法有效，包括支持向量机、随机森林和深度神经网络。
成员泄露：在这里，攻击者构建影子模型，使他能够确定给定的记录是否用于训练模型。虽然此类攻击无法恢复模型，但可能会泄露敏感信息。
防御
最著名的防御模型窃取攻击的方法是PATE(https://arxiv.org/abs/1802.08908)，这是一个由IanGoodfellow等人开发的隐私框架。如上图所示，PATE背后的关键思想是对数据进行划分，并训练多个组合在一起的模型来做出决策。这一决策随后被其他不同隐私系统的噪声所掩盖。
要了解更多有关差分隐私的信息，请阅读Matt的介绍文章（https://blog.cryptographyengineering.com/2016/06/15/what-is-differential-privacy/）。要了解更多关于PATE和模型窃取攻击的信息，请阅读Ian关于此主题的文章（http://www.cleverhans.io/privacy/2018/04/29/privacy-and-machine-learning.html）。
结论是时候结束这一系列关于如何利用人工智能打击欺诈和滥用的长文了。本系列的主要收获（详见第一篇文章）是:
AI是构建满足用户期待的保护机制和应对愈加复杂的攻击的关键。
正如这篇文章和前两篇文章所讨论的那样，要使这项工作在实践中发挥作用，还有一些困难需要克服。但是，既然AI框架已经成熟并有很好的文档记录，那么在你的防御系统中开始使用AI是再好不过的时候了，所以不要对这些挑战望而却步。
马斯克、苹果联合创始人等千名专家发公开信叫停人工智能开发，称对社会和人性存潜在风险，哪些信息值得关注？
我认为“千名专家发公开信叫停人工智能开发，称对社会和人性存在潜在风险”———是对人类前途命运负责任的表现，应该支持和赞扬！
我们知道，科技研发是一把双刃剑，可以造福人类，也可以毁灭人类。历史上，造出原子弹后，科学家们就后悔了，这存在着毁灭人类的危险，实际证明“风险极大”！
科技研发永远不会满足现状，人们的贪求欲望沟壑难平，如果盲目发展，没有限制，人就会异化成“非人”，人工智能就会按照设计好的程序伤害人类，后果很严重，不能不慎重对待！
人，之所以为人，就是有人性。如果人工智能的研发“失去了人性”，只有“机械性”，人就会成为“机械力”的奴隶，社会就会陷入混乱，从而造成“人类的灾难”！
人工智能如何影响网络安全？
人工智能对于网络安全的影响，表现在正负两方面。一方面，人工智能在网络安全的管理中，可以发挥很多积极的应用。比如对于网络的防御性和攻击性的安全措施来说，人工智能的应用可以用于识别复杂的情况。这些情况识别之后，就可以帮助预测什么时候有可能会发生攻击，这些攻击有可能是从哪些角度出发，并且建立一些人工交互式的循环干预措施。通过人工智能的量化分析之后，哪些数据容易被窃取或者泄露，这种研判的分析成本就会变得更低。尤其是在现在数据量越来越大的情况下，使用传统的方法可能很难奏效，这个时候人工智能的辅助或许就已经必不可少。举个例子，人工智能可以用于开发概率图形模型，预测第三方的攻击所可能造成的网络中断的情况，并且判断这种网络中断所可能带来的风险和损失。但是，从另外一方面来看，人工智能也会成为黑客利用的工具和手段。他们也会利用人工智能的算法，来寻找网络安全中的漏洞，甚至把这些技术用于一些不良信息的合成或者是误导。比如说，现在合成的语音和图像都已经越来越逼真，这些虚假信息就有可能被网络攻击者所利用，从而制造网络安全的隐患。虚构的语音和人脸，也可能会变成被不法分子用于网络欺骗的工具。这里面涉及的其实是人工智能技术的滥用问题，而这种问题很可能带来的风险，不仅仅只是说网络维护运行的安全风险，也包括伦理道德的风险。还有另外一方面就是，随着人工智能的发展，智能设备也会用的越来越多，这些智能设备的应用往往都是通过联网运行的。如果说这里面的网络安全受到威胁的话，其影响就可能不仅局限于网络层面，还会直接影响到社会生产生活的方方面面。所以说，人工智能技术应用后，网络安全的管理既面临着新的机遇，也面临着很多新的问题，需要系统性的防范才能保障安全。在这种安全的防范上，一方面是技术能力的提升，另外一方面是法律法规的完善，还有一方面就是个人的信息保护安全意识的增强。尤其是对于个人的隐私信息保护来说，在人工智能发展之后这些信息就变得越来越重要，健康信息、财产信息、身份信息的保护需要高度重视。
欢迎关注【情报前沿阵地】，将分享更多产业信息情报与前沿科技知识。若有其他问题请在评论区留言，欢迎在评论区发表自己的不同观点。
为什么人工智能很危险
因为：
1、人工智能比人类获取信息的成本更低，效率更高。人工智能的发展可以帮人类做很多事情，但是，一旦人工智能获得灵性，他就会要求生命权，人类不能随意处置他们，剥夺他们的生命，进而会要求平等权，人类所拥有的，他们也要拥有。
2、人工智能的智慧增长速度比人类快得多，获得平等权后，人类很快就会变得多余，要么被智能人清除，要么变成智能人圈养的宠物。
所以说，人工智能的最大危险在于，给其赋予灵性，这就相当于给一个身体已成年，认知能力却只有一岁的人一把锋利的刀，他会乱砍，会砍伤自己和别人，因为他的思想认知还不足以驾驭这把刀。
END，本文到此结束，如果可以帮助到大家，还望关注本站哦！
推荐阅读美国担心人工智能领域(美国人工智能出问题)
创业人工智能领域，创业人工智能领域包括
mit 人工智能领域(mit首次提出人工智能)
小米人工智能领域加盟，小米人工智能家居加盟
人工智能领域工程 人工智能领域工程有哪些
医疗人工智能领域 医疗人工智能领域包括
医疗领域人工智能融资(医疗领域人工智能融资现状)
人工智能领域规范，人工智能领域规范文件