深度学习的恶意样本（Adversarial Example）实践之FoolBox的使用

最新推荐文章于 2024-08-09 07:34:42 发布

白马负金羁

最新推荐文章于 2024-08-09 07:34:42 发布

阅读量7k

点赞数 7

分类专栏：系统安全与恶意学习文章标签：深度学习图像识别恶意样本对抗样本 foolbox

本文链接：https://blog.csdn.net/baimafujinji/article/details/40987807

版权

系统安全与恶意学习专栏收录该内容

40 篇文章 1301 订阅 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍如何使用FoolBox工具箱在深度学习模型，特别是针对CIFAR10数据集的ResNet模型，生成Adversarial Examples。通过Carlini-Wagner算法进行目标导向的攻击，成功误导模型分类，展示了对抗样本对模型准确性的影响。

摘要由CSDN通过智能技术生成

本文是深度学习恶意样本（Adversarial Example）实战系列文章的第三篇。在【１】中，我们详细解释了经典的AE生成算法FGSM，并手工编写实现了这个算法。在【２】中，我们介绍了IBM研究人员实现的一个开源工具箱ART，在Python编程时，调用该工具箱所提供的方法，可以很容易生成各种流行的图像恶意样本。本文将介绍另外一个比较常见的工具箱FoolBox（参见文献【３】）的使用方法。

与之前的文章类似，本文中的例子主要演示对CIFAR10中的彩色图像进行攻击的方法。代码采用Python编写，在实验下面的代码之前，请确保必要的软件包（例如FoolBox）都已经正确安装。作为开始，请先导入必要的库。

import os
import random
import shutil
import pickle
import time
import keras
import copy
import foolbox

import numpy as np
import pandas as pd
 
import matplotlib.pyplot as plt
%matplotlib inline

from foolbox.criteria import TargetClass

from keras.models import load_model
from keras.datasets impo