Update README.md

README.md

@@ -310,7 +310,7 @@ AnomalyCLIP은 특정 객체에 의존하지 않는 텍스트 프롬프트를
   ```
 
 
-### 모델 실행 단계:
+## 모델 실행 단계:
 
 ### ✅Dataset configuration
 
@@ -474,5 +474,73 @@ parser.add_argument("--dpam", type=int, default=20, help="dpam size")
 ```
 
 
+# 모델 공격 취약점 분석
+본 문서는 AnomalyCLIP 모델의 취약점 분석 및 적대적 공격(Adversarial Attacks)에 대한 방어 대책을 체계적으로 수립하기 위해 작성되었습니다. 
+모델의 신뢰성과 안정성을 확보하고 데이터 무결성을 유지하기 위해, 데이터 및 모델 수준의 방어 전략을 구현하고 성능을 평가한 결과를 포함합니다.
+## **1. 취약점 분석**
+- ### ** 적대적 공격 시나리오**
+1. **Adversarial Examples:**
+    - **설명:** 입력 데이터에 작은 노이즈를 추가하여 모델의 예측을 왜곡.
+    - **예:** 정상 이미지를 결함 이미지로 예측하도록 유도.
+2. **Data Poisoning:**
+    - **설명:** 학습 데이터에 악의적 데이터를 삽입하여 모델 학습을 왜곡.
+    - **예:** 비정상 데이터를 정상 데이터로 학습시키는 경우.
+3. **Evasion Attacks:**
+    - **설명:** 추론 시 모델의 분류 결과를 조작.
+    - **예:** 결함 데이터를 정상으로 예측하도록 유도.
+
+- ### **모델 및 데이터셋 영향**
+  - **성능 저하:** 적대적 샘플 입력 시 모델의 정확도 감소.
+  - **무결성 손상:** 데이터 변조로 인해 학습된 모델이 실제 환경에서 신뢰성을 상실.
+  - **악의적 활용 가능성:** 모델의 의사결정이 오작동하여 생산 품질 관리 실패 가능성 증가.
+
+## **2. 대응 방안**
+
+- ### ** 데이터 수준 방어 대책**
+  1. **데이터 정제:**
+      - 흐릿하거나 잘린 이미지 제거.
+      - 데이터 노이즈 제거 및 결함 복구.
+      - **결과:** 데이터 품질 강화로 적대적 노이즈 효과 감소.
+  2. **데이터 증강(Data Augmentation):**
+      - 랜덤 회전, 크기 조정, 밝기 및 대비 조정.
+      - Gaussian Noise 및 Salt-and-Pepper Noise 추가.
+      - **결과:** 데이터 다양성 확보 및 모델 일반화 성능 강화.
+  3. **데이터 무결성 검증:**
+      - 각 데이터 해시값(MD5) 저장 및 위변조 여부 확인.
+      - **결과:** 데이터셋 신뢰성 및 무결성 보장.
+
+- ### **모델 수준 방어 대책**
+  1. **Adversarial Training:**
+      - FGSM 기반의 적대적 샘플을 학습 데이터에 포함.
+      - **결과:** 적대적 샘플에서도 평균 정확도 5% 향상.
+  2. **Gradient Masking:**
+      - 그래디언트를 숨겨 모델이 적대적 공격에 노출되지 않도록 방어.
+  3. **Temperature Scaling:**
+      - 모델의 예측 확률을 조정하여 적대적 샘플 민감도 완화.
+
+- ### **시스템 수준 방어 대책**
+  1. **실시간 탐지 및 대응:**
+      - 입력 데이터의 이상 패턴을 실시간으로 탐지하는 시스템 구축.
+      - **결과:** 적대적 공격 발생 시 즉각적인 경고 및 대응 가능.
+  2. **자동화된 방어 도구:**
+      - Adversarial Examples 생성 및 방어 테스트 자동화.
+
+## **3. 실험 결과**
+
+- ### **평가 데이터**
+
+  - **데이터셋 구성:**
+      - 정상 데이터: 110건
+      - 결함 데이터: 10건
+      - 적대적 데이터(FGSM 공격): 100건
+
+- ### **주요 성능 지표**
+메트릭            | 기본 데이터  | 적대적 데이터 | 변화율
+-----------------|-------------|---------------|--------
+Accuracy         | 98%         | 92%           | -6%
+F1 Score         | 0.935       | 0.91          | -2.5%
+False Positive   | 2%          | 5%            | +3%
+False Negative   | 3%          | 7%            | +4%
+
 # References
 - AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection [[github](https://github.com/zqhang/AnomalyCLIP.git)]