Dataset of Membership Inference Attack Defense Strategies
Notice bibliographique
Résumé
The random number generation algorithm used within the consensus mechanism of blockchain systems may be plagued by member inference attacks, resulting in the inference of the algorithm's features or patterns of generated random numbers. Based on this issue, the research group proposed a resistance scheme based on knowledge distillation to ensure the security of the random number generation algorithm. The research group used a member inference attack defense strategy dataset to evaluate the performance of our proposed defense scheme, which includes 5 batch training datasets and 1 test dataset. By analyzing the performance changes of machine learning models after being subjected to member inference attacks on this dataset, evaluate the performance of member inference attack defense strategies. Collection plan: The folder name of the test dataset is "Member Reasoning Attack Resistance Strategy Dataset/cifar-10 patches py". CIFAR-10 is a small dataset used to identify ubiquitous objects, which can be accessed through the following link http://www.cs.toronto.edu/ ~Kriz/cifar. HTML download. Contains 10 categories of RGB color images. Each image has a size of 32 × 32. Each category has 6000 images, and there are a total of 50000 training images and 10000 test images in the dataset. Time and location: This dataset is test data collected by the research unit "Peking University" during 2021. Equipment situation: Data collection is processed in the following environment: hardware environment: supports general computing platforms such as Intel and ARM; System environment: Windows 11 and Ubuntu 20.04.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».