Атаки с использованием состязательных примеров на системы распознавания говорящих в реальном времени: универсальность и устойчивость

В последние годы, по мере стремительного роста популярности голосовых пользовательских интерфейсов (VUI), системы распознавания говорящих стали важным средством идентификации говорящего во многих приложениях и сервисах, требующих обеспечения безопасности. В данной работе мы предлагаем первую атаку с использованием состязательных примеров на систему распознавания говорящих, основанную на современной глубокой нейронной сети (DNN), которая выполняется в реальном времени, является универсальной и устойчивой. При добавлении универсального возмущения, не зависящего от аудиосигнала, к голосовому вводу произвольного зарегистрированного говорящего система распознавания говорящих на основе DNN идентифицирует говорящего как любого целевого говорящего, выбранного атакующим. Кроме того, мы повышаем устойчивость атаки, моделируя искажения звука, вызванные физическим распространением сигнала по воздуху, путем оценки импульсной характеристики помещения (RIR). Эксперимент с использованием общедоступного набора данных, содержащего записи 109 англоязычных говорящих, демонстрирует эффективность и устойчивость предложенной атаки: коэффициент успешности атаки превышает 90%. Время запуска атаки также сокращено в 100 раз по сравнению с современными неуниверсальными атаками.