1.一种基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,包括以下步骤:
步骤S1,获取任意一张图片作为原图像,并调用一个图像二类分割模型作为代理模型,将所述原图像输入至所述代理模型内得到所述原图像的伪标签;
步骤S2,搭建深层特征提取器;
步骤S3,基于所述原图像创建加性扰动和乘性扰动,并根据所述原图像、所述加性扰动和所述乘性扰动得到对抗性示例;
步骤S4,将所述对抗性示例输入至所述代理模型内得到预测结果,并利用二值交叉熵损失函数计算所述预测结果和所述伪标签之间的损失,以及利用无穷范数计算所述原图像与所述对抗性示例之间的差异;
步骤S5,反向传播优化目标函数,更新所述加性扰动与所述乘性扰动,并计算所述预测结果和所述伪标签之间的结构相似度,以及在所述结构相似度低于预设阈值时将对应的所述对抗性示例存储为对抗性示例,其中,表示预设参数;
步骤S6,重复执行所述步骤S3、所述步骤S4和所述步骤S5,将每次重复执行后得到的所述对抗性示例作为新的对抗性示例,将所述对抗性示例输入到所述深层特征提取器中得到深层特征,并将已生成的各所述对抗性示例输入到所述深层特征提取器中得到深层特征,其中;
步骤S7,计算所述深层特征与所述深层特征之间的KL散度,并基于所述KL散度构建得到目标函数,以及优化总体目标函数来扩大所述对抗性示例对应的所述预测结果和所述伪标签之间的差异,当所述预测结果和所述伪标签之间的结构相似度低于所述预设阈值且小于预设阈值时,保留对应的所述对抗性示例,其中表示预设距离值,表示预设参数;
步骤S8,重复执行所述步骤S6和所述步骤S7,将每次重复执行后保留的所述对抗性示例整合为对抗性示例集,利用所述对抗性示例集中的各所述对抗性示例对目标模型进行查询得到对应的目标预测结果和目标伪标签,将所述目标预测结果与所述目标伪标签差异最大的所述对抗性示例作为最优对抗性示例。
2.根据权利要求1所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S2中,利用ResNet50骨干网络与Res2Net50骨干网络搭建得到所述深层特征提取器用于获取所述深层特征与所述深层特征。
3.根据权利要求1所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S3中,创建一个与所述原图像同尺寸且所有通道像素值全为0的图片作为所述加性扰动,并创建一个与所述原图像同尺寸且单通道像素值全为1、其余通道像素值全为0的图片作为所述乘性扰动。
4.根据权利要求1所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S5和所述步骤S7中,通过SSIM计算得到所述结构相似度。
5.根据权利要求2所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S2中,去除所述ResNet50骨干网络与所述Res2Net50骨干网络最后的平均池化层与全连接层,并将所述ResNet50骨干网络与所述Res2Net50骨干网络的第五层作为输出端以得到所述深层特征与所述深层特征。
6.根据权利要求2所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S6中,将所述对抗性示例和各所述对抗性示例输入至所述深层特征提取器之前还包括对所述对抗性示例和各所述对抗性示例进行归一化处理。
7.根据权利要求6所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述归一化处理包括:
将所述对抗性示例和各所述对抗性示例的尺寸缩放为得到缩放后图像,随后将所述缩放后图像中的R通道中的所有像素点的像素值归一化为均值为0.485且方差为0.229,将G通道中的所有像素点的像素值归一化为均值为0.456且方差为0.224,将B通道中的所有像素点的像素值归一化为均值为0.406且方差为0.225。
8.根据权利要求7所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S3中,将所述原图像从RGB彩色空间转换到YUV彩色空间并与所述乘性扰动相乘,使所述乘性扰动在YUV彩色空间内产生干扰得到干扰图像,随后将所述干扰图像转换到RGB彩色空间并与所述加性扰动相加,使所述加性扰动在RGB彩色空间产生干扰得到所述对抗性示例。
9.根据权利要求8所述的基于对抗性示例增广的高可转移性黑盒攻击方法,其特征在于,所述步骤S3中,在将所述原图像从RGB彩色空间转换到YUV彩色空间后,将所述乘性扰动中像素值全为1的通道与所述原图像的Y通道逐像素相乘,并将其余两个像素值全为0的通道分别与所述原图像的U通道和V通道逐像素相乘,得到所述干扰图像。