基于输入通道拆分的对抗攻击迁移性增强算法

摘要：

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％.

关键词：对抗攻击、迁移性增强、对抗样本、白盒模型、ImageNet数据集

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：四川省科技计划重点研发项目;四川省科技计划重点研发项目;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;成都市重点示范项目;应用示范项目

在线出版日期：2023-01-16（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：130-137