一种针对快速梯度下降对抗攻击的防御方法

摘要：

智能舰船识别可有效提高舰船装备智能化水平,但存在安全识别问题,即使性能卓越的分类模型也会受到对抗样本的攻击.面对快速梯度下降法(FGSM)这类对抗攻击,传统的防御方法需要先推倒已经训练好的分类模型,再通过安全手段进行重新训练.为简化这一过程,提出防御FGSM对抗攻击的FGSM-Defense算法.获得分类器对对抗样本初次预测的类别排名后,按相应置信度大小排名取出指定数量的类别.在此基础上,通过暴力搜索将这些类别依次指定为攻击目标,分别对原对抗样本进行FGSM有目标攻击,并按相应规则分步缩小搜索范围,筛选出对抗样本真实的类别.实验结果表明,该算法能够准确区分对抗样本的真实类别,在ImageNet数据集上的防御成功率为53.1％.与传统防御方法相比,其无需改变原有神经网络结构和重新训练分类模型,可减少对硬件算力的依赖,降低防御成本.

关键词：舰船识别;对抗样本;对抗攻击;快速梯度下降法;ImageNet数据集

所属期刊栏目：47

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金61701471

在线出版日期：2021-11-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：121-128