Fast Gradient Sign Attack

主要内容
主要讲述通过对原始数据加入细微的噪声得到一组新数据，在新旧两个数据通过人眼难以辨别的情况下，新数据可以欺骗分类器，从而使分类器做出错误的判断。这种方法可以用来攻击一些分类器，并且是完全可行的。
教程以手写数字MINST数据集为例，展示了这种方法。

首先加载包：

• from __future__ import print_function
• 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

加载数据集：

• test_loader = torch.utils.data.DataLoader(
• datasets.MNIST('../data', train=False, download=True, transform=transforms.Compose([
• transforms.ToTensor(),
• ])),
• batch_size=1, shuffle=True)

定义一个网络模型（分类器）：

• class Net(nn.Module):
• def __init__(self):
• super(Net, self).__init__()
• self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
• self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
• self.conv2_drop = nn.Dropout2d()
• self.fc1 = nn.Linear(320, 50)
• self.fc2 = nn.Linear(50, 10)

 

• def forward(self, x):
• x = F.relu(F.max_pool2d(self.conv1(x), 2))
• x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
• x = x.view(-1, 320)
• x = F.relu(self.fc1(x))
• x = F.dropout(x, training=self.training)
• x = self.fc2(x)
• return F.log_softmax(x, dim=1)

定义其他的参数

• device = torch.device("cuda" if (use_cuda and torch.cuda.is_available()) else "cpu")#是否CUDA
• epsilons = [0, .05, .1, .15, .2, .25, .3]#
• pretrained_model = "data/lenet_mnist_model.pth"#模型的路径

实例化模型

• model = Net()#实例化
• model=model.to(device)#放入GPU
• model.load_state_dict(torch.load(pretrained_model, map_location='cpu'))#将之前训练好的参数加载
• model.eval()#转化为测试模式

定义FGSM攻击函数

• def fgsm_attack(image, epsilon, data_grad):
• #获取梯度的符号
• sign_data_grad = data_grad.sign()
• #在原始图片的基础上加上epsilon成符号
• perturbed_image = image + epsilon*sign_data_grad
• #将数值裁剪到0-1的范围内
• perturbed_image = torch.clamp(perturbed_image, 0, 1)
• return perturbed_image

sign（）函数返回数值的符号，如果为正数返回1，如果为负数返回-1.否则返回0.

测试函数：

• def test( model, device, test_loader, epsilon ):
• correct = 0#攻击之后预测依然正确的个数
• adv_examples = []#受攻击的样本
• for data, target in test_loader:
• data, target = data.to(device), target.to(device)#将数据加载进GPU
• data.requires_grad = True#需要保存梯度
• output = model(data)#利用分类器区分结果
• init_pred = output.max(1, keepdim=True)[1] #获取最大概率的索引值
• if init_pred.item() != target.item():#如果分类错误，则不攻击该样本
• continue
• loss = F.nll_loss(output, target)#计算损失值
• model.zero_grad()
• loss.backward()
• # 抽取梯度值
• data_grad = data.grad.data
• #攻击样本
• perturbed_data = fgsm_attack(data, epsilon, data_grad)
• # 再次分类
• output = model(perturbed_data)
• final_pred = output.max(1, keepdim=True)[1] # 得到最终分类结果
• if final_pred.item() == target.item():#如果最终分类结果和真实结果相同
• correct += 1
• # 保存epsilon为0
• 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:
• # 保存其他的一些结果，用于后期的可视化操作
• if len(adv_examples) < 5:
• adv_ex = perturbed_data.squeeze().detach().cpu().numpy()
• adv_examples.append( (init_pred.item(), final_pred.item(), adv_ex) )
• #计算准确率
• final_acc = correct/float(len(test_loader))
• print("Epsilon: {}\tTest Accuracy = {} / {} = {}".format(epsilon, correct, len(test_loader), final_acc))
• #返回准确率和攻击样例
• return final_acc, adv_examples

如对于以上代码中 final_pred = output.max(1, keepdim=True)[1]有疑问，请移步至

输出准确率

• #依次迭代epsilon
• for eps in epsilons:
• acc, ex = test(model, device, test_loader, eps)
• accuracies.append(acc)
• examples.append(ex)

 

• Epsilon: 0 Test Accuracy = 9810 / 10000 = 0.981
• Epsilon: 0.05 Test Accuracy = 9426 / 10000 = 0.9426
• Epsilon: 0.1 Test Accuracy = 8510 / 10000 = 0.851
• Epsilon: 0.15 Test Accuracy = 6826 / 10000 = 0.6826
• Epsilon: 0.2 Test Accuracy = 4301 / 10000 = 0.4301
• Epsilon: 0.25 Test Accuracy = 2082 / 10000 = 0.2082
• Epsilon: 0.3 Test Accuracy = 869 / 10000 = 0.0869

可以发现epsilon越大，则准确度越低，且剧烈下降。

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。 
本文链接地址：https://www.flyai.com/article/artc2d5aeff7778460c86bb7687