NIST对抗性机器学习攻击与缓解措施分类体系

资料定位

系统定义逃逸、投毒、隐私和滥用等对抗性机器学习攻击，以及相应缓解方法和术语。

核心主题：对抗性机器学习

分类体系按学习阶段、攻击者能力、目标和影响组织威胁，帮助安全团队建立共同语言。

阅读与复现边界

文档是威胁分类与术语基础，不代表列出的缓解措施在所有模型和环境下都已充分验证。

对实际项目的用法

可用于模型威胁建模、红队测试范围、日志需求和供应链安全审查。

原文、署名与本地化说明

原文标题：Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations。作者：Apostol Vassilev、Alina Oprea、Alie Fordyce、Hyrum Anderson。本站保存的是来源机构发布的完整PDF，未修改PDF内容；中文部分为独立阅读导引，不冒充全文翻译。原始出版页：https://doi.org/10.6028/NIST.AI.100-2e2023。

许可依据：NIST技术系列政策说明：NIST雇员作品在美国不受版权保护；对美国以外可能主张的权利，公众获得永久、免费、全球范围的再印及衍生使用授权，并要求注明来源。 本站提供来源、许可证、文件哈希、页数和本地化时间，方便核对版本与完整性。