一种利用类别显著性映射生成对抗样本的方法

• 作者: 叶启松 戴旭初
• 来源期刊: 信息技术与网络安全
• 关键词: 深度学习 安全 对抗样本 迁移性
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 网络与信息安全|Network and Information Security
• 页码范围: 9-14
• 页数: 6页
• 分类号: TP181
• 语种: 中文
• DOI: 10.19358/j.issn.2096-5133.2021.06.002

摘要

如果对抗样本的迁移性越强,则其攻击结构未知的深度神经网络模型的效果越好,所以设计对抗样本生成方法的一个关键在于提升对抗样本的迁移性.然而现有方法所生成的对抗样本,与模型的结构和参数高度耦合,从而难以对结构未知的模型进行有效攻击.类别显著性映射能够提取出样本的关键特征信息,而且在不同网络模型中有较高的相似度.基于显著性映射的这一特点,在样本生成过程中,引入类别显著性映射进行约束,实验结果表明,该方法生成的对抗样本具有较好的迁移性.