1.一种基于离散小波变换的对抗样本生成方法,其特征在于,该方法包括如下步骤:步骤一、获取原始图像xc的真实类别yc及其概率向量pH(·|xc)令H表示DNN分类器,以原始图像向量xc作为目标DNN分类器的输入,获得原始图像的概率输出向量pH(·|xc);取概率输出向量中最大值对应的类别作为原始图像的类别预测yc,yc=argmax(pH(·|xc));
步骤二、使用离散小波变换对原始图像向量xc进行分解使用离散小波变换对原始图像向量xc进行M级小波分解得到初始低频分量LF0与高频分量HF,M与原始图像向量x0的大小具有正相关关系;离散小波变换用公式表示为:LF0,HF←DWT(xc);
其中DWT(·)表示离散小波变换,LF0在后续迭代过程中将会被扰动,而HF在后续迭代过程中保持不变;
步骤三、确定待优化的目标函数
按照目标类别进行分类,对抗攻击分为无目标攻击和目标攻击;在无目标攻击中,对抗攻击的目标是使得对抗样本被DNN分类器分类为除原类别外的任意类别;在目标攻击中,对抗攻击的目标是使得对抗样本被DNN分类器分类为特定的类别;
令ya表示对抗样本的类别,δ表示对抗扰动,xc+δ表示对抗样本;当DNN分类器能对对抗样本做出正确分类预测时,ya和yc相同;对抗攻击的目的是寻找到能误导DNN分类器的对抗扰动δ,即这里‖·‖p表示向量的Lp范数;然而精确计算公式(1)通常不可行,因此更常用的方法是求(1)的近似解;将其公式化如下:ρ用来限制对抗扰动的大小,T(·)是转换函数,用于将DNN分类器的输出向量转换为便于优化的标量值;
在目标攻击中,转换函数的具体形式为:
其中,yt表示目标类别,pH(yt|x)表示样本x被分类为yt的概率,maxi≠tpH(yi|x)表示除了目标类别之外最大的概率值;当目标类别的概率值最大时,分类器对输入图像的分类结果为目标类别;
在无目标攻击中,转换函数表达式为:
其中,pH(yc|x)表示样本x被分类为yc的概率,maxj≠tpH(yj|x)表示除了清晰样本类别之外最大的概率值;
为了便于表示,在方法中使用v表示低频分量LF,令f表示目标函数,低频分量v是目标函数的输入值,f的具体表达式为:f(v)=T(IDWT(v,HF))
由低频分量v与高频分量HF恢复一个样本,用公式表示为:x←IDWT(v,HF)
其中IDWT(·)表示逆离散小波变换;
优化的目标是f(v)≤0,从而改变目标DNN分类器对被扰动图像的分类结果;
步骤四、执行迭代优化
采用迭代的方式生成对抗样本,在进行迭代优化之前,需要定义两个初始变量:x0←xc用于初始化对抗样本,d0←0用于初始化累计梯度信息;
1)使用累计梯度信息更新低频分量:
vt←vt-1-αβdt-1
其中,vt-1表示第t-1次迭代中的低频分量,dt-1表示第t-1次迭代中的累计梯度信息,α与β表示两个步长参数,vt表示第t次迭代中低频分量;迭代次数t从1开始计数;
2)使用自然进化策略估计vt处的梯度:
在迭代过程中,使用动态采样策略动态确定估计梯度所需要的采样点数量:当迭代过程启动时,采样点数量n=2;随着迭代过程的进行,在第t次迭代中,n=min(2k,N),N表示最大采样点限制;当搜索进程缓慢时,即在连续m次迭代过程中以对抗样本为输入的目标函数的值没有减少,将采样点数量n减半;其中k的初始值为0,每次迭代k值加1,当搜索进程缓慢时,k恢复初始值;
确定采样点数量之后,估计vt处的梯度gt;
3)更新累计梯度信息:
dt←βdt-1+gt
4)利用新的累计梯度信息更新低频分量:
vt←vt-1-αdt
5)结合新的低频分量vt与高频分量HF,经过逆离散小波变换,得到新的对抗样本xt:xt←clip(lDWT(vt,HF))
其中,clip(·)函数用于对新的对抗样本进行剪切,确保xt位于有效的图像空间内,且确保扰动‖xt-xc‖p≤ρ;
6)判断xt是否是有效的对抗样本,若xt是有效的对抗样本,则输出xt,结束迭代过程,否则继续执行迭代过程,转步骤四-1)。
2.根据权利要求1所述的一种基于离散小波变换的对抗样本生成方法,其特征在于:所述的确定采样点数量之后,估计vt处的梯度gt;具体为:其中, 从高斯分布中采样得到,在为了提升梯度估计的准确性,通过对称采样的方式生成εi:{ε1,…,εn/2}从高斯分布中采样得到,而当i∈{(n/2)+1,…,n}时,其中n为偶数,εi=-εn-i+1,σ用于控制偏差大小。