BadTime 论文揭示多变量长时序预测模型存在可操控720步预测的后门攻击

arXiv cs.CR 发布的 BadTime 论文首次提出针对多变量长期时间序列预测（MLTSF）模型的有效后门攻击方法，能将数百个未来预测值操纵为目标模式，攻击范围从以往最多12个时间步扩展至720个时间步。

该研究针对 MLTSF 场景下触发器随时间快速稀释和隐蔽信号极度稀疏两大挑战，设计了分布式、时滞感知的触发机制，利用变量间相关性、时间滞后和数据驱动初始化维持长程影响；同时通过混合标签相似与不相似的中毒样本，采用解耦训练目标显式加权稀疏信号，实现在仅1%中毒率下的可靠学习。实验显示，该方法使目标变量的平均绝对误差（MAE）降低57%，而清洁预测误差变化小于1%。

事实层面，BadTime 是首篇针对 MLTSF 的后门攻击研究，将攻击 horizon 提升60倍；推断层面，这意味着金融、气候、交通等依赖长周期预测的关键领域系统面临未被充分评估的隐蔽风险；猜测层面，现有防御机制若未考虑长时滞和分布特征，可能无法检测此类攻击。材料未提及具体部署案例或修复方案，仅展示攻击可行性。