1.一种基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,包括以下步骤:构建三阶段模块和改进风格迁移模块:在原始鲸鱼优化算法的更新后,对每个对抗样本执行一次变异操作,并通过改进的Metropolis准则进行处理,得到改进的鲸鱼优化算法WOA;将改进的鲸鱼优化算法WOA和风格迁移算法进行融合,构建三阶段模块;在经过风格迁移之后,对生成的样本进行一次变异操作,构建改进的风格迁移模块;
文本对抗攻击:通过基于义原的对抗样本生成模型生成文本对抗样本,分别将文本对抗样本输入到改进的风格迁移模块和三阶段模块进行攻击;若改进的风格迁移攻击失败则进入到三阶段模块的攻击。
2.根据权利要求1所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,在三阶段模块中,文本对抗样本依次经过改进的鲸鱼优化算法WOA和风格迁移算法的处理,再通过基于义原重新生成样本并在改进的鲸鱼优化算法WOA中进行迭代搜索和更新;若在任意时刻存在攻击成功的对抗样本,则直接输出该对抗样本并停止攻击。
3.根据权利要求1所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,改进的Metropolis准则公式如下:其中,new是新对抗样本输入到目标攻击模型后的输出,y是变异前的模型的输出,是接受一个恶化个体的概率, T的值随迭代次数动态调整,同时也受输入的句子长度的影响。
4.根据权利要求1所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,变异操作:随机选择一个满足义原生成替换词要求的单词进行替换,生成一个新的对抗样本。
5.根据权利要求1所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,基于义原的对抗样本生成模型的对抗样本生成方法包括:S1:根据输入的句子,分析每个单词的词性,并通过义原为其中的实义词查找同义词;
S2:找到合适的替换词之后对原始样本中的单词进行替换,每次只选择一个位置的单词进行替换,得到多个对抗样本。
6.根据权利要求1所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,改进的鲸鱼优化算法WOA具体包括:
1 N i
初始化:获取N3个通过义原生成的对抗样本={S ,···,S},每个对抗样本记作S ,i
1 N
∈{1,···,N};同时随机初始化N3只鲸鱼的位置={X ,···,X },维度 在‑到之间随机初始化;
* *
记录:计算当前对抗样本的预测分数,记录当前最优个体的位置和最优的对抗样本 ;
更新:首先,按照原始鲸鱼优化算法中的更新方法,为每只鲸鱼的每个维度进行更新;其次,在原始鲸鱼优化算法执行更新之后对所有位置再次进行更新;将对抗样本进行更新;在更新步骤结束之后对每个对抗样本执行一次变异操作,并通过Metropolis准则进行处理;
终止:终止条件设定为目标攻击模型的预测结果与原始标签不同,即预测的标签发生了变化。
7.根据权利要求6所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,对所有位置再次进行更新的公式为:其中, 代表第n个样本的第d个单词, 代表最优样本的第d个单词, 代表第n个句子的第d个维度, 定义为如下公式:ω代表惯性权重,惯性权重设定为随迭代次数的增加而减小。
8.根据权利要求7所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,惯性权重ω的公式如下:其中,0<ωmin<ωmax<1,max_iters和分别是最大迭代次数和当前迭代次数。
9.根据权利要求6所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,将对抗样本进行更新采用了一种基于概率的方法,具体包括:使用Sigmoid函数,将每个位置的值转化成概率,记作(x),根据概率确定当前样本的是否朝着全局最优样本去改变;最终每个维度上的对抗样本更新方式如下:其中,P表示对应向量的转换概率, r为0‑1之间的随
机数。
10.根据权利要求1或2所述的基于风格迁移与鲸鱼优化算法杂交的文本对抗攻击方法,其特征在于,在三阶段模块中,输入通过义原获取N个对抗样本,通过改进的鲸鱼优化算法WOA进行搜索和更新,经过一轮迭代后选择其中表现最差的样本输入到风格迁移模型中,得到风格迁移后的样本;将新的对抗样本通过改进的鲸鱼优化算法WOA进行迭代搜索和更新,直到达到最大迭代次数或存在攻击成功的对抗样本;若在达到最大迭代次数时仍未搜索到有效对抗样本,则返回到第一次的改进的鲸鱼优化算法WOA步骤开始进行下一轮迭代,直到达到最大迭代次数。