【对抗样本】【FGSM】Explaining and Harnessing Adversarial Examples 代码复现

Elephant_King

已于 2024-06-12 14:45:02 修改

阅读量625

点赞数 21

分类专栏：对抗样本文章标签： FGSM

于 2024-06-12 14:44:14 首次发布

本文链接：https://blog.csdn.net/Elephant_King/article/details/139622332

版权

对抗样本专栏收录该内容

1 篇文章 0 订阅

订阅专栏

简介

参考Pytorch官方的代码Adversarial Example Generation

参数设置(main.py)

# 模型选择：GPU
device = 'mps' if torch.backends.mps.is_available() else 'cpu'
# 数据集位置
dataset_path = '../../../Datasets'
batch_size = 1
shuffle = True
download = False
# 学习率
learning_rate = 0.001
# 预训练模型位置
model_path = "../../../Pretrained_models/Model/MNISTModel_9.pth"

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,)),
    transforms.Grayscale(),
])
# 扰动参数
epsilons = [0, .05, .1, .15, .2, .25, .3]

device:用于选择训练设备，本人是mac m1的电脑，所以使用mps训练
dataset_path:指定数据集路径
batch_size:用于DataLoader，判断每次抓取数据的数量
shuffle:用于DataLoader，判断是否洗牌
download:判断数据集是否下载
learning_rate:设置学习率
model_path:指定预训练模型路径
transform:指定数据集转化规则，用于对数据集中输入的图像进行预处理
- ToTensor:转化为Tensor数据类型，同时将图片进行归一化
- Normalize:正则化
- Grayscale:转化为灰度图像
epsilons:设置扰动参数，用于测试不同扰动的对抗样本的正确率

对抗样本代码主流程(main.py)

因为习惯了C++的语法，还是喜欢定义main函数，比较直观哈哈哈哈哈
主要分为三步

对数据的生成与预处理

if __name__ == '__main__':
    # 1.预处理
    train_dataset = datasets.MNIST(dataset_path, train=True, download=download, transform=transform)
    val_dataset = datasets.MNIST(dataset_path, train=False, download=download, transform=transform)

    train_DataLoader = DataLoader(train_dataset, batch_size=batch_size, shuffle=shuffle)
    val_DataLoader = DataLoader(val_dataset, batch_size=batch_size, shuffle=shuffle)

    model = torch.load(model_path).to(device)

数据集生成
DataLoader 生成
预训练模型加载

开始测试

    # 2.开始测试
    # 记录不同扰动下的准确度
    accuracies = []
    # 记录样本
    examples = []

    # 对每个epsilon运行测试
    for eps in epsilons:
        # 进行对抗样本攻击
        acc, ex = test(model, device, val_DataLoader, eps)
        # 将此扰动的准确度记录
        accuracies.append(acc)
        # 二维数组，行代表不同的epsilon，列代表当前epsilon生成的对抗样本
        examples.append(ex)

共测试扰动参数为0, 0.05, 0.1, 0.15, 0.2, 0.25, 0.3

记录每种扰动参数的准确率与生成的对抗样本
对每种扰动参数生成对抗样本并进行攻击(调用test.py)

绘图并进行可视化

	# 创建一个新的图形对象，图形大小设置为 5x5 英寸
    plt.figure(figsize=(5, 5))
    # 用epsilons作为x轴数据，accuracies作为y轴数据
    # *-代表数据点用*标记，点之间用直线链接
    plt.plot(epsilons, accuracies, "*-")
    # 设置y轴刻度，
    # np.arange(0, 1.1, step=0.1)生成0~1的数组，步长为0.1
    plt.yticks(np.arange(0, 1.1, step=0.1))
    # 设置x轴刻度
    # 生成0~0.3的数组，步长为0.05
    plt.xticks(np.arange(0, .35, step=0.05))
    # 将图标标题设为Accuracy vs Epsilon
    plt.title("Accuracy vs Epsilon")
    # x轴标签为Epsilon
    plt.xlabel("Epsilon")
    # y轴标签为Accuracy
    plt.ylabel("Accuracy")
    # 显示图表
    plt.show()

在这里插入图片描述

    cnt = 0
    plt.figure(figsize=(8, 10))
    # 行代表不同的epsilon
    for i in range(len(epsilons)):
        # 列代表同一epsilon生成的图像
        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("Eps: {}".format(epsilons[i]), fontsize=14)
            orig, adv, ex = examples[i][j]
            plt.title("{} -> {}".format(orig, adv))
            plt.imshow(ex, cmap="gray")
    plt.tight_layout()
    plt.show()

在这里插入图片描述

对抗样本攻击流程（test.py）

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

传入四个参数

model:传入训练好的神经网络
device:训练设备，mps
test_loader:测试集的DataLoader
epsilon:扰动参数

import torch.nn.functional as F
from torchvision import transforms
import time

from src.attack import fgsm_attack, denorm


def test(model, device, test_loader, epsilon):
    model.eval()
    accuracy = 0
    adv_examples = []
    start_time = time.time()
    for img, label in test_loader:
        img, label = img.to(device), label.to(device)
        # 作用是允许 PyTorch 跟踪输入图像的梯度，以便进行反向传播时计算对抗扰动。
        img.requires_grad = True
        output = model(img)

        init_pred = output.argmax(dim=1, keepdim=True)
        # 如果已经预测错误了，就不用进行后续操作了，进行下一轮循环
        if init_pred.item() != label.item():
            continue

        loss = F.nll_loss(output, label)

        model.zero_grad()
        loss.backward()

        # 收集图片梯度
        data_grad = img.grad.data
        # 恢复图片到原始尺度
        data_denorm = denorm(img, device)
        perturbed_data = fgsm_attack(data_denorm, epsilon, data_grad)

        """
        重新进行归一化处理
        如果不对生成的对抗样本进行归一化处理，程序可能会受到以下几个方面的影响：

        1. 输入数据分布不一致
        模型在训练时，输入数据经过了归一化处理，使得数据的分布具有均值和标准差的特定统计特性。如果对抗样本在进行攻击后没有进行归一化处理，其数据分布将与模型训练时的数据分布不一致。这种不一致可能导致模型对对抗样本的预测不准确。

        2. 模型性能下降
        由于输入数据分布的变化，模型的权重和偏置项可能无法适应未归一化的数据，从而导致模型性能下降。模型可能无法正确分类这些未归一化的对抗样本，从而影响模型的预测准确率。

        3. 扰动效果不可控
        在 FGSM 攻击中，添加的扰动是在未归一化的数据上进行的。如果不进行归一化处理，这些扰动在模型输入阶段可能会被放大或缩小，影响攻击的效果。这样，攻击的成功率和对抗样本的生成效果可能会变得不可控。
        """
        perturbed_data_normalized = transforms.Normalize((0.1307,), (0.3081,))(perturbed_data)
        output = model(perturbed_data_normalized)

        final_pred = output.argmax(dim=1, keepdim=True)
        if final_pred.item() == label.item():
            accuracy += 1
            if epsilon == 0 and len(adv_examples) < 5:
                """
                perturbed_data 是经过FGSM攻击后的对抗样本，仍是一个tensor张量
                squeeze 会移除所有大小为1的维度
                    比如MNIST中batch_size = 1 channel=1 像素为28x28，则perturbed_data.shape = (1,1,28,28)
                    通过squeeze会变为(28,28)
                detach      代表不在跟踪其梯度，类似于
                            你有一个银行账户（相当于张量 x），你希望在这个账户基础上做一些假设性的计算（比如计划未来的支出），
                            但不希望这些假设性的计算影响到实际的账户余额。
                            银行账户余额（张量 x）：

                            你现在的账户余额是 $1000。
                            你可以对这个余额进行正常的交易（如存款、取款），这些交易会影响余额。
                            假设性的计算（使用 detach()）：

                            你想做一些假设性的计算，比如计划未来的支出，看看在不同情况下余额会变成多少。
                            你将当前余额复制一份（使用 detach()），对这份复制的余额进行操作。
                            不管你对复制的余额进行什么操作，都不会影响到实际的账户余额。
                cpu 将张量从GPU移到CPU，因为NumPy不支持GPU张量
                numpy   将tensor转化为Numpy数组
                """
                adv_ex = perturbed_data.squeeze().detach().cpu().numpy()
                adv_examples.append((init_pred.item(), final_pred.item(), adv_ex))
        else:
            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 = accuracy / float(len(test_loader))
    end_time = time.time()
    print(f"Epsilon: {epsilon}\tTest Accuracy = {accuracy} / {len(test_loader)} = {final_acc},Time = {end_time - start_time}")
    # Return the accuracy and an adversarial example
    return final_acc, adv_examp

需要注意的是，在生成对抗样本的时候，需要先调用自定义的denorm方法进行反归一化，具体的原因是

		# 反归一化
        data_denorm = denorm(img, device)
        # 生成对抗样本
        perturbed_data = fgsm_attack(data_denorm, epsilon, data_grad)
        # 将对抗样本标准化
        perturbed_data_normalized = transforms.Normalize((0.1307,), (0.3081,))(perturbed_data)

在我们构建生成数据集时的transform时，

ToTensor不仅有转化数据类型的作用，还有归一化的作用，将原来单通道像素值0~255归一化到0~1
Normalize进行了标准化操作，在标准化后可能出现像素值又>1的情况，又因为在fgsm_attack方法中

perturbed_image = torch.clamp(perturbed_image, 0, 1)

将图像重新归一化，所以我们需要使用denorm，在生成对抗样本之前进行反归一化，目的是将预处理标准化可能>1的情况进行消除，重新回到0~1
如果不进行反归一化，会导致生成的对抗样本与原图的偏差较大
在生成对抗样本后，重新进行标准化

adv_example主要用于存储五个生成的对抗样本，用于后续的图像生成

对抗样本生成(attack.py)

def fgsm_attack(image, epsilon, data_grad):
    """
    Perform FGSM with
    :param image: 输入图片
    :param epsilon: 𝜀超参数
    :param data_grad: 梯度
    :return:
    """
    # 获取梯度方向
    sign_data_grad = data_grad.sign()
    # 对原始图像添加扰动
    perturbed_image = image + epsilon * sign_data_grad
    # 将生成的对抗样本的扰动控制在0~1之间
    perturbed_image = torch.clamp(perturbed_image, 0, 1)
    return perturbed_image

传入的参数为

image:Tensor类型的图片
epsilon:扰动的参数
data_grad:图片的梯度
方法的作用为生成对抗样本

根据传入的梯度参数获取梯度的方向
将原始图片家养梯度方向的扰动，使得生成的图像在视觉上与原始图像几乎相同，但模型的预测可能会发生变化
将生成的对抗样本的扰动控制在0~1之间

反归一化(attack.py)

def denorm(batch, device, mean=[0.1307], std=[0.3081]):

batch:传入的图像
device:训练设备
mean:均值
std:标准差

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

    Args:
        batch (torch.Tensor): Batch of normalized tensors.
        device:
        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, requires_grad=True).to(device)
    if isinstance(std, list):
        std = torch.tensor(std, requires_grad=True).to(device)

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