对抗样本生成

创建于：2018 年 8 月 14 日 | 最后更新：2025 年 1 月 27 日 | 最后验证：未验证

作者： Nathan Inkawhich

如果您正在阅读本文，希望您能体会到某些机器学习模型是多么有效。研究不断推动 ML 模型变得更快、更准确和更高效。然而，设计和训练模型时经常被忽视的一个方面是安全性和稳健性，尤其是在面对希望欺骗模型的攻击者时。

本教程将提高您对 ML 模型安全漏洞的认识，并深入了解对抗性机器学习的热门话题。您可能会惊讶地发现，向图像添加不可察觉的扰动可以导致模型性能发生巨大变化。鉴于这是一个教程，我们将通过图像分类器上的示例来探索该主题。具体而言，我们将使用最早也是最流行的攻击方法之一，即快速梯度符号攻击 (FGSM)，来欺骗 MNIST 分类器。

威胁模型

对于上下文，对抗性攻击有很多类别，每种类别都有不同的目标和对攻击者知识的假设。但是，总的来说，首要目标是以最小的扰动量添加到输入数据中，以导致所需的错误分类。关于攻击者知识的假设有几种，其中两种是：白盒和黑盒。白盒攻击假设攻击者完全了解并可以访问模型，包括架构、输入、输出和权重。黑盒攻击假设攻击者只能访问模型的输入和输出，并且对底层架构或权重一无所知。目标也有几种类型，包括错误分类和源/目标错误分类。错误分类的目标意味着攻击者只想输出分类错误，但并不关心新的分类是什么。源/目标错误分类意味着攻击者想要更改原始为特定源类别的图像，使其被分类为特定目标类别。

在本例中，FGSM 攻击是一种白盒攻击，目标是错误分类。有了这些背景信息，我们现在可以详细讨论该攻击。

快速梯度符号攻击

迄今为止，最早也是最流行的对抗性攻击之一被称为快速梯度符号攻击 (FGSM)，由 Goodfellow 等人在解释和利用对抗性示例中描述。该攻击非常强大，而且直观。它旨在通过利用神经网络的学习方式（梯度）来攻击神经网络。这个想法很简单，攻击不是通过基于反向传播的梯度调整权重来最小化损失，而是基于相同的反向传播梯度调整输入数据以最大化损失。换句话说，攻击使用损失相对于输入数据的梯度，然后调整输入数据以最大化损失。

在我们开始编写代码之前，让我们看一下著名的 FGSM 熊猫示例并提取一些符号。

从图中可以看出，\(\mathbf{x}\) 是原始输入图像，正确分类为“熊猫”，\(y\) 是 \(\mathbf{x}\) 的真实标签，\(\mathbf{\theta}\) 表示模型参数，\(J(\mathbf{\theta}, \mathbf{x}, y)\) 是用于训练网络的损失。攻击将梯度反向传播回输入数据以计算 \(\nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y)\)。然后，它在将最大化损失的方向（即 \(sign(\nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y))\)）上，按小步长（图片中为 \(\epsilon\) 或 \(0.007\)）调整输入数据。然后，目标网络将生成的扰动图像 \(x'\) 错误分类为“长臂猿”，而它仍然明显是“熊猫”。

希望现在本教程的动机很明确了，让我们开始实现。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import numpy as np
import matplotlib.pyplot as plt

实现

在本节中，我们将讨论本教程的输入参数，定义受攻击的模型，然后编写攻击代码并运行一些测试。

输入

本教程只有三个输入，定义如下

• epsilons - 运行中要使用的 epsilon 值列表。将 0 保留在列表中很重要，因为它代表了原始测试集上的模型性能。此外，直观上我们期望 epsilon 值越大，扰动越明显，但在降低模型准确性方面，攻击也越有效。由于此处的数据范围为 \([0,1]\)，因此任何 epsilon 值都不应超过 1。

• pretrained_model - 预训练 MNIST 模型的路径，该模型使用 pytorch/examples/mnist 进行训练。为简单起见，请在此处下载预训练模型。

epsilons = [0, .05, .1, .15, .2, .25, .3]
pretrained_model = "data/lenet_mnist_model.pth"
# Set random seed for reproducibility
torch.manual_seed(42)

<torch._C.Generator object at 0x7fd64938a3d0>

受攻击的模型

如前所述，受攻击的模型与 pytorch/examples/mnist 中的 MNIST 模型相同。您可以训练并保存自己的 MNIST 模型，也可以下载并使用提供的模型。此处的 Net 定义和测试数据加载器已从 MNIST 示例中复制。本节的目的是定义模型和数据加载器，然后初始化模型并加载预训练权重。

# LeNet Model definition
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

# MNIST Test dataset and dataloader declaration
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, download=True, transform=transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize((0.1307,), (0.3081,)),
            ])),
        batch_size=1, shuffle=True)

# We want to be able to train our model on an `accelerator <https://pytorch.ac.cn/docs/stable/torch.html#accelerators>`__
# such as CUDA, MPS, MTIA, or XPU. If the current accelerator is available, we will use it. Otherwise, we use the CPU.
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")

# Initialize the network
model = Net().to(device)

# Load the pretrained model
model.load_state_dict(torch.load(pretrained_model, map_location=device, weights_only=True))

# Set the model in evaluation mode. In this case this is for the Dropout layers
model.eval()

  0%|          | 0.00/9.91M [00:00<?, ?B/s]
100%|##########| 9.91M/9.91M [00:00<00:00, 128MB/s]

  0%|          | 0.00/28.9k [00:00<?, ?B/s]
100%|##########| 28.9k/28.9k [00:00<00:00, 44.8MB/s]

  0%|          | 0.00/1.65M [00:00<?, ?B/s]
100%|##########| 1.65M/1.65M [00:00<00:00, 201MB/s]

  0%|          | 0.00/4.54k [00:00<?, ?B/s]
100%|##########| 4.54k/4.54k [00:00<00:00, 18.9MB/s]
Using cuda device

Net(
  (conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
  (conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
  (dropout1): Dropout(p=0.25, inplace=False)
  (dropout2): Dropout(p=0.5, inplace=False)
  (fc1): Linear(in_features=9216, out_features=128, bias=True)
  (fc2): Linear(in_features=128, out_features=10, bias=True)
)

FGSM 攻击

现在，我们可以定义函数，通过扰动原始输入来创建对抗样本。fgsm_attack 函数接受三个输入，image 是原始干净图像 (\(x\))，epsilon 是像素级扰动量 (\(\epsilon\))，data_grad 是损失相对于输入图像的梯度 (\(\nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y)\))。然后，该函数创建扰动图像，如下所示

\[perturbed\_image = image + epsilon*sign(data\_grad) = x + \epsilon * sign(\nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y)) \]

最后，为了保持数据的原始范围，扰动图像被裁剪到范围 \([0,1]\)。

# FGSM attack code
def fgsm_attack(image, epsilon, data_grad):
    # Collect the element-wise sign of the data gradient
    sign_data_grad = data_grad.sign()
    # Create the perturbed image by adjusting each pixel of the input image
    perturbed_image = image + epsilon*sign_data_grad
    # Adding clipping to maintain [0,1] range
    perturbed_image = torch.clamp(perturbed_image, 0, 1)
    # Return the perturbed image
    return perturbed_image

# restores the tensors to their original scale
def denorm(batch, mean=[0.1307], std=[0.3081]):
    """
    Convert a batch of tensors to their original scale.

    Args:
        batch (torch.Tensor): Batch of normalized tensors.
        mean (torch.Tensor or list): Mean used for normalization.
        std (torch.Tensor or list): Standard deviation used for normalization.

    Returns:
        torch.Tensor: batch of tensors without normalization applied to them.
    """
    if isinstance(mean, list):
        mean = torch.tensor(mean).to(device)
    if isinstance(std, list):
        std = torch.tensor(std).to(device)

    return batch * std.view(1, -1, 1, 1) + mean.view(1, -1, 1, 1)

测试函数

最后，本教程的核心结果来自 test 函数。每次调用此测试函数都会对 MNIST 测试集执行完整的测试步骤，并报告最终的准确率。但是，请注意此函数还接受 epsilon 输入。这是因为 test 函数报告了模型在强度为 \(\epsilon\) 的攻击者的攻击下的准确率。更具体地说，对于测试集中的每个样本，该函数计算损失相对于输入数据的梯度 (\(data\_grad\))，使用 fgsm_attack 创建扰动图像 (\(perturbed\_data\))，然后检查扰动示例是否是对抗性的。除了测试模型的准确率之外，该函数还保存并返回一些成功的对抗样本，以便稍后可视化。

def test( model, device, test_loader, epsilon ):

    # Accuracy counter
    correct = 0
    adv_examples = []

    # Loop over all examples in test set
    for data, target in test_loader:

        # Send the data and label to the device
        data, target = data.to(device), target.to(device)

        # Set requires_grad attribute of tensor. Important for Attack
        data.requires_grad = True

        # Forward pass the data through the model
        output = model(data)
        init_pred = output.max(1, keepdim=True)[1] # get the index of the max log-probability

        # If the initial prediction is wrong, don't bother attacking, just move on
        if init_pred.item() != target.item():
            continue

        # Calculate the loss
        loss = F.nll_loss(output, target)

        # Zero all existing gradients
        model.zero_grad()

        # Calculate gradients of model in backward pass
        loss.backward()

        # Collect ``datagrad``
        data_grad = data.grad.data

        # Restore the data to its original scale
        data_denorm = denorm(data)

        # Call FGSM Attack
        perturbed_data = fgsm_attack(data_denorm, epsilon, data_grad)

        # Reapply normalization
        perturbed_data_normalized = transforms.Normalize((0.1307,), (0.3081,))(perturbed_data)

        # Re-classify the perturbed image
        output = model(perturbed_data_normalized)

        # Check for success
        final_pred = output.max(1, keepdim=True)[1] # get the index of the max log-probability
        if final_pred.item() == target.item():
            correct += 1
            # Special case for saving 0 epsilon examples
            if epsilon == 0 and len(adv_examples) < 5:
                adv_ex = perturbed_data.squeeze().detach().cpu().numpy()
                adv_examples.append( (init_pred.item(), final_pred.item(), adv_ex) )
        else:
            # Save some adv examples for visualization later
            if len(adv_examples) < 5:
                adv_ex = perturbed_data.squeeze().detach().cpu().numpy()
                adv_examples.append( (init_pred.item(), final_pred.item(), adv_ex) )

    # Calculate final accuracy for this epsilon
    final_acc = correct/float(len(test_loader))
    print(f"Epsilon: {epsilon}\tTest Accuracy = {correct} / {len(test_loader)} = {final_acc}")

    # Return the accuracy and an adversarial example
    return final_acc, adv_examples

运行攻击

实现的最后一部分是实际运行攻击。在这里，我们为 epsilons 输入中的每个 epsilon 值运行完整的测试步骤。对于每个 epsilon，我们还保存最终的准确率和一些成功的对抗样本，以便在接下来的部分中绘制。请注意，打印的准确率如何随着 epsilon 值的增加而降低。另请注意，\(\epsilon=0\) 情况表示原始测试准确率，没有攻击。

accuracies = []
examples = []

# Run test for each epsilon
for eps in epsilons:
    acc, ex = test(model, device, test_loader, eps)
    accuracies.append(acc)
    examples.append(ex)

Epsilon: 0      Test Accuracy = 9912 / 10000 = 0.9912
Epsilon: 0.05   Test Accuracy = 9605 / 10000 = 0.9605
Epsilon: 0.1    Test Accuracy = 8743 / 10000 = 0.8743
Epsilon: 0.15   Test Accuracy = 7111 / 10000 = 0.7111
Epsilon: 0.2    Test Accuracy = 4877 / 10000 = 0.4877
Epsilon: 0.25   Test Accuracy = 2717 / 10000 = 0.2717
Epsilon: 0.3    Test Accuracy = 1418 / 10000 = 0.1418

结果

准确率与 Epsilon 的关系

第一个结果是准确率与 epsilon 关系图。如前所述，随着 epsilon 的增加，我们预计测试准确率会降低。这是因为较大的 epsilon 意味着我们在将最大化损失的方向上迈出更大的步长。请注意，即使 epsilon 值呈线性间隔，曲线的趋势也不是线性的。例如，\(\epsilon=0.05\) 时的准确率仅比 \(\epsilon=0\) 时低约 4%，但 \(\epsilon=0.2\) 时的准确率比 \(\epsilon=0.15\) 时低 25%。另请注意，对于 10 类分类器，模型的准确率在 \(\epsilon=0.25\) 和 \(\epsilon=0.3\) 之间达到随机准确率。

plt.figure(figsize=(5,5))
plt.plot(epsilons, accuracies, "*-")
plt.yticks(np.arange(0, 1.1, step=0.1))
plt.xticks(np.arange(0, .35, step=0.05))
plt.title("Accuracy vs Epsilon")
plt.xlabel("Epsilon")
plt.ylabel("Accuracy")
plt.show()

对抗样本示例

还记得天下没有免费的午餐吗？在这种情况下，随着 epsilon 的增加，测试准确率会降低，但扰动变得更容易被察觉。实际上，攻击者必须权衡准确率下降和可察觉性之间的关系。在这里，我们展示了每个 epsilon 值下一些成功的对抗样本示例。图的每一行显示一个不同的 epsilon 值。第一行是 \(\epsilon=0\) 示例，表示没有扰动的原始“干净”图像。每个图像的标题显示“原始分类 -> 对抗分类”。请注意，扰动在 \(\epsilon=0.15\) 时开始变得明显，在 \(\epsilon=0.3\) 时非常明显。但是，在所有情况下，人类仍然能够识别正确的类别，尽管添加了噪声。

# Plot several examples of adversarial samples at each epsilon
cnt = 0
plt.figure(figsize=(8,10))
for i in range(len(epsilons)):
    for j in range(len(examples[i])):
        cnt += 1
        plt.subplot(len(epsilons),len(examples[0]),cnt)
        plt.xticks([], [])
        plt.yticks([], [])
        if j == 0:
            plt.ylabel(f"Eps: {epsilons[i]}", fontsize=14)
        orig,adv,ex = examples[i][j]
        plt.title(f"{orig} -> {adv}")
        plt.imshow(ex, cmap="gray")
plt.tight_layout()
plt.show()

后续步骤？

希望本教程能让您深入了解对抗性机器学习的主题。从这里开始，有很多潜在的方向可以发展。这种攻击代表了对抗性攻击研究的开端，此后出现了许多关于如何攻击和防御 ML 模型免受攻击者的想法。事实上，在 NIPS 2017 大会上，举办了一场对抗性攻击和防御竞赛，竞赛中使用的许多方法都在本文中描述：对抗性攻击和防御竞赛。关于防御的工作也引出了使机器学习模型更稳健的想法，使其能够应对自然扰动和对抗性制作的输入。

另一个发展方向是在不同领域进行对抗性攻击和防御。对抗性研究不仅限于图像领域，请查看 此 对语音到文本模型的攻击。但或许了解更多关于对抗性机器学习的最佳方法是亲自动手。尝试实现 NIPS 2017 竞赛中的另一种攻击，看看它与 FGSM 有何不同。然后，尝试防御模型免受您自己的攻击。

根据可用资源，进一步的发展方向是修改代码以支持批量、并行或分布式处理工作，而不是在上述每个 epsilon test() 循环中一次处理一个攻击。