2 基于梯度的攻击—

PGD攻击原论文地址——https://arxiv.org/pdf/1706.06083.pdf

1.PGD攻击的原理

　　PGD（Project Gradient Descent)攻击是一种迭代攻击，可以看作是FGSM的翻版——K-FGSM (K表示迭代的次数），大概的思路就是，FGSM是仅仅做一次迭代，走一大步，而PGD是做多次迭代，每次走一小步，每次迭代都会将扰动clip到规定范围内。

一般来说，PGD的攻击效果比FGSM要好。首先，如果目标模型是一个线性模型，那么用FGSM就可以了，因为此时loss对输入的导数是固定的，换言之，使得loss下降的方向是明确的，即使你多次迭代，扰动的方向也不会改变。而对于一个非线性模型，仅仅做一次迭代，方向是不一定完全正确的，这也是为什么FGSM的效果一般的原因了。

上图中，黑圈是输入样本，假设样本只有两维，那么样本可以改变的就有八个方向，坐标系中显示了loss等高线,以及可以扰动的最大范围（因为是无穷范数，所以限制范围是一个方形，负半轴的范围没有画出来），黑圈每一次改变，都是以最优的方向改变，最后一次由于扰动超出了限制，所以直接截断，如果此时迭代次数没有用完，那么就在截断处继续迭代，直到迭代次数用完。

2.PGD的代码实现

class PGD(nn.Module):def __init__(self,model):super().__init__()self.model=model#必须是pytorch的modelself.device=torch.device("cuda" if (torch.cuda.is_available()) else "cpu")def generate(self,x,**params):self.parse_params(**params)labels=self.yadv_x=self.attack(x,labels)return adv_xdef parse_params(self,eps=0.3,iter_eps=0.01,nb_iter=40,clip_min=0.0,clip_max=1.0,C=0.0,y=None,ord=np.inf,rand_init=True,flag_target=False):self.eps=epsself.iter_eps=iter_epsself.nb_iter=nb_iterself.clip_min=clip_minself.clip_max=clip_maxself.y=yself.ord=ordself.rand_init=rand_initself.model.to(self.device)self.flag_target=flag_targetself.C=Cdef sigle_step_attack(self,x,pertubation,labels):adv_x=x+pertubation# get the gradient of xadv_x=Variable(adv_x)adv_x.requires_grad = Trueloss_func=nn.CrossEntropyLoss()preds=self.model(adv_x)if self.flag_target:loss =-loss_func(preds,labels)else:loss=loss_func(preds,labels)# label_mask=torch_one_hot(labels)## correct_logit=torch.mean(torch.sum(label_mask * preds,dim=1))# wrong_logit = torch.mean(torch.max((1 - label_mask) * preds, dim=1)[0])# loss=-F.relu(correct_logit-wrong_logit+self.C)self.model.zero_grad()loss.backward()grad=adv_x.grad.data#get the pertubation of an iter_epspertubation=self.iter_eps*np.sign(grad)adv_x=adv_x.cpu().detach().numpy()+pertubation.cpu().numpy()x=x.cpu().detach().numpy()pertubation=np.clip(adv_x,self.clip_min,self.clip_max)-xpertubation=clip_pertubation(pertubation,self.ord,self.eps)return pertubationdef attack(self,x,labels):labels = labels.to(self.device)print(self.rand_init)if self.rand_init:x_tmp=x+torch.Tensor(np.random.uniform(-self.eps, self.eps, x.shape)).type_as(x).cuda()else:x_tmp=xpertubation=torch.zeros(x.shape).type_as(x).to(self.device)for i in range(self.nb_iter):pertubation=self.sigle_step_attack(x_tmp,pertubation=pertubation,labels=labels)pertubation=torch.Tensor(pertubation).type_as(x).to(self.device)adv_x=x+pertubationadv_x=adv_x.cpu().detach().numpy()adv_x=np.clip(adv_x,self.clip_min,self.clip_max)return adv_x

PGD攻击的参数并不多，比较重要的就是下面这几个：

eps: maximum distortion of adversarial example compared to original input

eps_iter: step size for each attack iteration

nb_iter: Number of attack iterations.

上面代码中注释的这行代码是CW攻击的PGD形式，这个在防御论文https://arxiv.org/pdf/1706.06083.pdf中有体现，以后说到CW攻击再细说。

1 # label_mask=torch_one_hot(labels)
2 #
3 # correct_logit=torch.mean(torch.sum(label_mask * preds,dim=1))
4 # wrong_logit = torch.mean(torch.max((1 - label_mask) * preds, dim=1)[0])
5 # loss=-F.relu(correct_logit-wrong_logit+self.C)

最后再提一点就是，在上面那篇防御论文中也提到了，PGD攻击是最强的一阶攻击，如果防御方法对这个攻击能够有很好的防御效果，那么其他攻击也不在话下了。

转载于:https://www.cnblogs.com/shona/p/11274393.html

2 基于梯度的攻击——PGD相关推荐

3.基于梯度的攻击——PGD
PGD攻击原论文地址--https://arxiv.org/pdf/1706.06083.pdf 1.PGD攻击的原理 PGD(Project Gradient Descent)攻击是一种迭代攻击,可 ...
3 基于梯度的攻击——MIM
MIM攻击原论文地址--https://arxiv.org/pdf/1710.06081.pdf 1.MIM攻击的原理 MIM攻击全称是 Momentum Iterative Method,其实这也是 ...
4.基于梯度的攻击——MIM
MIM攻击原论文地址--https://arxiv.org/pdf/1710.06081.pdf 1.MIM攻击的原理 MIM攻击全称是 Momentum Iterative Method,其实这也是 ...
4 基于优化的攻击——CW
CW攻击原论文地址--https://arxiv.org/pdf/1608.04644.pdf 1.CW攻击的原理 CW攻击是一种基于优化的攻击,攻击的名称是两个作者的首字母.首先还是贴出攻击算法的公 ...
论文 ❀《评价联邦学习中梯度泄漏攻击的框架》- A Framework for Evaluating Gradient Leakage Attacks in Federated Learning
摘要联合学习(FL)是一个新兴的分布式机器学习框架,用于与客户网络(边缘设备)进行协作式模型训练.联合学习允许客户将其敏感数据保存在本地设备上,并且只与联合服务器共享本地训练参数更新,从而默认客户隐 ...
理解GBDT算法（三）——基于梯度的版本
理解GBDT算法(三)--基于梯度的版本标签: GBDT梯度残差代价函数回归树 2015-03-31 16:13 1395人阅读评论(3) 收藏举报本文章已收录于: 分类: Machin ...
图形处理（四）基于梯度场的网格编辑-Siggraph 2004
基于梯度场的网格编辑,对应的Paper为<Mesh Editing with Poisson-Based Gradient Field Manipulation>,是Siggraph 20 ...
【CV】CVPR2020丨SPSR：基于梯度指导的结构保留超分辨率方法
作者 | Alan 授权转载自 | https://zhuanlan.zhihu.com/p/121721537 CVPR2020:Structure-Preserving Super Resolut ...
合流超几何函数_【CV】CVPR2020丨SPSR：基于梯度指导的结构保留超分辨率方法
作者 | Alan 授权转载自 | https://zhuanlan.zhihu.com/p/121721537 CVPR2020:Structure-Preserving Super Resolut ...

2 基于梯度的攻击——PGD

2 基于梯度的攻击——PGD相关推荐

最新文章

热门文章