RoVISQ: Reduction of Video Service Quality via Adversarial Attacks on Deep Learning-based Video Compression

要約

ビデオ圧縮は、特定の帯域幅予算でエンド ユーザーの QoE (Quality of Experience) を最大化することにより、ビデオ ストリーミングおよび分類システムで重要な役割を果たします。
この論文では、深層学習ベースのビデオ圧縮および下流の分類システムに対する敵対的攻撃について、最初の体系的な研究を行いました。
RoVISQ と呼ばれる当社の攻撃フレームワークは、ビデオ圧縮モデルのレートと歪み ($\textit{R}$-$\textit{D}$) の関係を操作して、次の目標の 1 つまたは両方を達成します。
ネットワーク帯域幅、(2) エンドユーザーのビデオ品質を低下させます。
さらに、下流のビデオ分類サービスに対する標的型および非標的型攻撃の新しい目的を考案します。
最後に、リアルタイムでビデオ圧縮および分類システムを普遍的に混乱させる入力不変の摂動を設計します。
ビデオ分類に対する以前に提案された攻撃とは異なり、私たちの敵対的摂動は圧縮に耐える最初のものです。
RoVISQ 攻撃のさまざまな防御 (敵対的トレーニング、ビデオのノイズ除去、JPEG 圧縮など) に対する回復力を経験的に示しています。
さまざまなビデオ データセットに関する広範な実験結果は、RoVISQ 攻撃が 90$\%$ を超える攻撃を達成しながら、ピーク S/N 比を最大 5.6dB 低下させ、ビットレートを最大 $\sim$ 2.4$\times$ 低下させることを示しています。
下流の分類器での成功率。
私たちのユーザー調査は、ユーザーの QoE に対する RoVISQ 攻撃の影響をさらに示しています。

要約(オリジナル)

Video compression plays a crucial role in video streaming and classification systems by maximizing the end-user quality of experience (QoE) at a given bandwidth budget. In this paper, we conduct the first systematic study for adversarial attacks on deep learning-based video compression and downstream classification systems. Our attack framework, dubbed RoVISQ, manipulates the Rate-Distortion ($\textit{R}$-$\textit{D}$) relationship of a video compression model to achieve one or both of the following goals: (1) increasing the network bandwidth, (2) degrading the video quality for end-users. We further devise new objectives for targeted and untargeted attacks to a downstream video classification service. Finally, we design an input-invariant perturbation that universally disrupts video compression and classification systems in real time. Unlike previously proposed attacks on video classification, our adversarial perturbations are the first to withstand compression. We empirically show the resilience of RoVISQ attacks against various defenses, i.e., adversarial training, video denoising, and JPEG compression. Our extensive experimental results on various video datasets show RoVISQ attacks deteriorate peak signal-to-noise ratio by up to 5.6dB and the bit-rate by up to $\sim$ 2.4$\times$ while achieving over 90$\%$ attack success rate on a downstream classifier. Our user study further demonstrates the effect of RoVISQ attacks on users’ QoE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google