计算机工程

作者：郑德生, 陈继鑫, 周静, 柯武平, 陆超, 周永, 仇钎

单位：1. 西南石油大学 计算机科学学院, 成都 610500;2. 中国航发四川燃气涡轮研究院 航空发动机高空模拟技术重点实验室, 四川 绵阳 621000;3. 西北工业大学 动力与能源学院, 西安 710072

关键词：对抗攻击,迁移性增强,对抗样本,白盒模型,ImageNet数据集

基金：四川省科技计划重点研发项目“基于量子生成对抗网络的复杂图像处理关键技术研究”（2022YFG0315）；四川省科技计划重点研发项目“面向航空发动机多源试验数据智能编目与推理融合的研究与应用”（2022YFG0174）；中国航空发动机集团有限公司四川燃气涡轮研究院稳定支持项目（GJCZ-2019-59）；成都市重点示范项目“基于B2T的智能物流云平台的建设及应用示范项目”（2019-YF09-00044-CG）。

深度神经网络已被应用于人脸识别、自动驾驶等场景中，但容易受到对抗样本的攻击。对抗样本的生成方法被分为白盒攻击和黑盒攻击，当对抗攻击算法攻击白盒模型时存在过拟合问题，导致生成对抗样本的迁移性降低。提出一种用于生成高迁移性对抗样本的对抗攻击算法CSA。在每次迭代过程中，通过对输入RGB图片的通道进行拆分，得到三张具有一个通道的输入图片，并对其进行零值填充，获得三张具有三个通道的输入图片。将最终得到的图片与原始RGB输入图片共同传入到模型中进行梯度计算，调整原始梯度的更新方向，避免出现局部最优。在此基础上，通过符号法生成对抗样本。在ImageNet数据集上的实验验证该算法的有效性，结果表明，CSA算法能够有效提高对抗攻击的迁移性，在四种常规训练模型上的攻击成功率平均为84.2%，与DIM、TIM结合所得DI-TI-CSA算法在三种对抗训练黑盒模型上的攻击成功率平均为94.7%，对七种防御模型的攻击成功率平均为91.8%。

来源：2023年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第1期