基于深度神经网络的对抗样本攻击与防御方法研究

摘要：

[目的/意义]在大数据时代下,深度学习模型往往容易受到微弱扰动的影响,致使结构的稳定性发生变化,从而出现信息安全和网络安全问题.通过研究神经网络对抗样本的攻击与防御方法,有效地优化网络模型,提升对抗样本攻击与防御能力,进而维护网络安全.[方法/过程]通过对深度神经网络相关研究文献的阅读和相关代码成果的复现,根据运行结果对模型优化,归纳总结各种模型对抗攻击与防御能力和方式,并进行分类探究.[结果/结论]针对深度神经网络模型攻击与防御方法,指出了存在的开放性问题和若干个优化方向,为在数据安全和网络空间安全的开放、动态和对抗环境中的鲁棒性,提供了一定的参考建议.

关键词：深度神经网络、对抗样本、对抗攻击与防御、鲁棒性、网络安全

所属期刊栏目：13

分类号：TP183(自动化基础理论)

资助基金：国际关系学院大学生学术支持计划项目3262021SWA07

在线出版日期：2023-02-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：77-86