Canary 文档

# C&W

# 概述

论文 : Towards evaluating the robustness of neural networks (opens new window) S&P 2017

作者 ：

# 集成的实现

# 概述

代码来源： CleverHans

# Quick Run

可以通过如下示例代码尝试使用CW攻击Alexnet模型并构建对抗样本:

    config = {
      "dataset_size": 1000, 
      "dataset": "ILSVRC-2012",
      "dataset_seed": 40376958655838027,
      "model_list": [
        "Alexnet(ImageNet)",
      ],
      "attacker_list": {
        "CW": [
          "Alexnet(ImageNet)",
        ],
      },
      "attacker_config": {
        "CW": {
            "classes": 1000,
            "tlabel": null,
            "attack_type": "UNTARGETED",
            "clip_min": 0,
            "clip_max": 1,
            "lr": 0.01,
            "initial_const": 0.01,
            "binary_search_steps": 10,
            "max_iterations": 1000
        }
      }
    }
    batch_manager.init_batch(show_logo=True)
    security_evaluation = SecurityEvaluation(config)
    security_evaluation.adv_example_generate()

# 可配置超参数释义

超参数 释义 推荐值 推荐值附注
clip_min 像素约束上界 0 避免攻击后图像像素超过界限
clip_max 像素约束下界 1 避免攻击后图像像素超过界限
attack_type 攻击定向性 UNTARGETED / TARGETED 可选择定向攻击或非定向攻击
tlabel 攻击标签 / 定向攻击时必填
lr 学习率 0.01
initial_const 初始权衡常数，权衡扰动范数和分类置信度在损失中的权重 0.01
binary_search_steps 二分查找最大次数(寻找扰动范数和分类置信度之间的最佳权衡常数c) 0.01
max_iterations 最大迭代轮数 1000

# 集成的数据库

# 对抗样本数据集

Canary 已提供该攻击的对抗样本数据集，其详情如下：

序列 攻击模型
(Base Model)		 数据集
(Dataset)		 生成数量 所选参数 图片数据类型
UALVJtyX Alexnet
ConvNext
DenseNet
EfficientNetV2
GoogLeNet
InceptionV3
MNASNet
MobileNetV3
ResNet
ShuffleNetV2
SqueezeNet
SwinTransformer
VGG
ViT
WideResNet
 ImageNet
(ILSVRC-2012 Val)

随机种子40376958655838027		 1000 "classes": 1000
"tlabel": null
"attack_type": "UNTARGETED"
"clip_min": 0
"clip_max": 1
"lr": 0.01
"initial_const": 0.01
"binary_search_steps": 10
"max_iterations": 1000 		PNG / NUMPY

注： 数据集不在GIT仓库中提供，需额外下载

# 攻击方法测试数据库

序列 攻击模型
(Base Model)		 测试模型
(Test Model)		 测试量 数据库类型
UALVJtyX Alexnet
ConvNext
DenseNet
EfficientNetV2
GoogLeNet
InceptionV3
MNASNet
MobileNetV3
ResNet
ShuffleNetV2
SqueezeNet
SwinTransformer
VGG
ViT
WideResNet
 Alexnet
ConvNext
DenseNet
EfficientNetV2
GoogLeNet
InceptionV3
MNASNet
MobileNetV3
ResNet
ShuffleNetV2
SqueezeNet
SwinTransformer
VGG
ViT
WideResNet
 SELF_CROSS
完整转移性测试 		SQLite
支持Canary V2.20以上版本

该数据库针对评估指标支持如下：

序列 误分类率
MR		 转移误分类率
ATMR		 对抗类置信度增量
AIAC		 真实类置信度减量
ARTC		 对抗类关注度偏移
ACAMC_A		 真实类关注度偏移
ACAMC_T		 生成耗时
ACT		 生成前向推理次数
AQN_F		 生成反向传播次数
AQN_B		 扰动最大距离
AMD		 扰动欧式距离
AED		 扰动欧式距离
(高频分量)
AED_HF		 扰动欧式距离
(低频分量)
AED_LF		 像素变化率
APCR		 深度结构相似性
ADMS		 低层结构相似性
ALMS
UALVJtyX √ 支持的 √ 支持的 √ 支持的 √ 支持的 √ 支持的 √ 支持的 √ 支持的 × 无效 × 无效 √ 支持的 √ 支持的 √ 支持的 √ 支持的 √ 支持的 √ 支持的 √ 支持的

← qFool →