程思源（普渡大学）、陶冠宏（普渡学院）、刘英琪（普渡高校）、安胜伟（普渡院校）、徐向哲（普度大学）、冯世伟（普度学院）、沈光裕（普渡学校）、张开元（普渡大学）、徐秋玲（普渡校）、马世庆（罗格斯大学）、，张湘玉（普渡大学）
深度学习后门攻击具有与传统网络攻击类似的威胁模型。攻击取证是传统网络攻击的关键对抗措施，因此对于防御模型后门攻击至关重要。在本文中，我们提出了一种新的模型后门取证技术。给定一些攻击样本，例如带有后门触发器的输入，它们可能代表不同类型的后门，我们的技术会自动将其分解为干净的输入和相应的触发器。然后，它根据触发器的属性对其进行聚类，以实现自动攻击分类和总结。然后可以自动合成后门扫描仪，以在其他模型中找到相同类型后门的其他实例。我们对2532个预训练模型、10个流行攻击进行了评估，并与9个基线进行了比较，结果表明我们的技术非常有效。分解的干净输入和触发器与基本事实非常相似。合成的扫描器大大优于现有扫描器的普通版本，这些扫描器很难推广到不同类型的攻击。
