对抗性示例生成
原文：
pytorch.org/tutorials/beginner/fgsm_tutorial.html译者：飞龙
注意
点击这里下载完整的示例代码
作者： Nathan Inkawhich
如果您正在阅读本文，希望您能欣赏一些机器学习模型的有效性。研究不断推动机器学习模型变得更快、更准确和更高效。然而，设计和训练模型时经常被忽视的一个方面是安全性和稳健性，尤其是面对希望欺骗模型的对手时。
本教程将提高您对机器学习模型安全漏洞的认识，并深入探讨对抗机器学习这一热门话题。您可能会惊讶地发现，向图像添加几乎不可察觉的扰动可以导致截然不同的模型性能。鉴于这是一个教程，我们将通过一个图像分类器的示例来探讨这个主题。具体来说，我们将使用第一个和最流行的攻击方法之一，即快速梯度符号攻击（FGSM），来欺骗一个 MNIST 分类器。
威胁模型
在这个背景下，有许多种类的对抗性攻击，每种攻击都有不同的目标和对攻击者知识的假设。然而，总体目标通常是向输入数据添加最少量的扰动，以导致所需的错误分类。攻击者知识的假设有几种类型，其中两种是：白盒和黑盒。白盒攻击假设攻击者对模型具有完全的知识和访问权限，包括架构、输入、输出和权重。黑盒攻击假设攻击者只能访问模型的输入和输出，对底层架构或权重一无所知。还有几种目标类型，包括错误分类和源/目标错误分类。错误分类的目标意味着对手只希望输出分类错误，但不在乎新的分类是什么。源/目标错误分类意味着对手希望修改原始属于特定源类别的图像，使其被分类为特定目标类别。
在这种情况下，FGSM 攻击是一个白盒攻击，其目标是错误分类。有了这些背景信息，我们现在可以详细讨论攻击。
快速梯度符号攻击
迄今为止，最早和最流行的对抗性攻击之一被称为快速梯度符号攻击（FGSM），由 Goodfellow 等人在解释和利用对抗性示例中描述。这种攻击非常强大，同时又直观。它旨在通过利用神经网络学习的方式，即梯度，来攻击神经网络。其思想很简单，不是通过根据反向传播的梯度调整权重来最小化损失，而是根据相同的反向传播梯度调整输入数据以最大化损失。换句话说，攻击使用损失相对于输入数据的梯度，然后调整输入数据以最大化损失。
在我们深入代码之前，让我们看看著名的FGSM熊猫示例，并提取一些符号。
从图中可以看出，x \mathbf{x}x 是原始输入图像，被正确分类为“熊猫”，y yy 是x \mathbf{x}x的地面真实标签，θ \mathbf{\theta}θ 代表模型参数，J ( θ , x , y ) J(\mathbf{\theta}, \mathbf{x}, y)J(θ,x,y) 是用于训练网络的损失。攻击将梯度反向传播回输入数据，计算∇ x J ( θ , x , y ) \nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y)∇xJ(θ,x,y)。然后，它通过一个小步骤（即ϵ \epsilonϵ 或图片中的 0.007 0.0070.007）调整输入数据的方向（即s i g n ( ∇ x J ( θ , x , y ) ) sign(\nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y))sign(∇xJ(θ,x,y))），以最大化损失。得到的扰动图像x ′ x'x′，然后被目标网络误分类为“长臂猿”，而实际上仍然是“熊猫”。
希望现在这个教程的动机已经清楚了，让我们开始实施吧。
import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms import numpy as np import matplotlib.pyplot as plt
实现
在本节中，我们将讨论教程的输入参数，定义受攻击的模型，然后编写攻击代码并运行一些测试。
输入
本教程只有三个输入，并定义如下：
epsilons- 用于运行的 epsilon 值列表。在列表中保留 0 是重要的，因为它代表了模型在原始测试集上的性能。直观上，我们会期望 epsilon 越大，扰动越明显，但攻击在降低模型准确性方面更有效。由于数据范围在 [ 0 , 1 ] [0,1][0,1] 这里，没有 epsilon 值应超过 1。pretrained_model- 预训练的 MNIST 模型的路径，该模型是使用 pytorch/examples/mnist 训练的。为简单起见，可以在这里下载预训练模型。use_cuda- 一个布尔标志，用于在需要时使用 CUDA。请注意，对于本教程，具有 CUDA 的 GPU 不是必需的，因为 CPU 不会花费太多时间。
epsilons = [0, .05, .1, .15, .2, .25, .3] pretrained_model = "data/lenet_mnist_model.pth" use_cuda=True # Set random seed for reproducibility torch.manual_seed(42)
<torch._C.Generator object at 0x7f6b149d3070>
受攻击的模型
如前所述，受攻击的模型是来自 pytorch/examples/mnist 的相同的 MNIST 模型。您可以训练和保存自己的 MNIST 模型，或者可以下载并使用提供的模型。这里的 Net 定义和测试数据加载器已从 MNIST 示例中复制。本节的目的是定义模型和数据加载器，然后初始化模型并加载预训练权重。
# LeNet Model definition class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 32, 3, 1) self.conv2 = nn.Conv2d(32, 64, 3, 1) self.dropout1 = nn.Dropout(0.25) self.dropout2 = nn.Dropout(0.5) self.fc1 = nn.Linear(9216, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.conv1(x) x = F.relu(x) x = self.conv2(x) x = F.relu(x) x = F.max_pool2d(x, 2) x = self.dropout1(x) x = torch.flatten(x, 1) x = self.fc1(x) x = F.relu(x) x = self.dropout2(x) x = self.fc2(x) output = F.log_softmax(x, dim=1) return output # MNIST Test dataset and dataloader declaration test_loader = torch.utils.data.DataLoader( datasets.MNIST('../data', train=False, download=True, transform=transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)), ])), batch_size=1, shuffle=True) # Define what device we are using print("CUDA Available: ",torch.cuda.is_available()) device = torch.device("cuda" if use_cuda and torch.cuda.is_available() else "cpu") # Initialize the network model = Net().to(device) # Load the pretrained model model.load_state_dict(torch.load(pretrained_model, map_location=device)) # Set the model in evaluation mode. In this case this is for the Dropout layers model.eval()
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz to ../data/MNIST/raw/train-images-idx3-ubyte.gz 0%| | 0/9912422 [00:00<?, ?it/s] 100%|##########| 9912422/9912422 [00:00<00:00, 436275131.90it/s] Extracting ../data/MNIST/raw/train-images-idx3-ubyte.gz to ../data/MNIST/raw Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz to ../data/MNIST/raw/train-labels-idx1-ubyte.gz 0%| | 0/28881 [00:00<?, ?it/s] 100%|##########| 28881/28881 [00:00<00:00, 35440518.97it/s] Extracting ../data/MNIST/raw/train-labels-idx1-ubyte.gz to ../data/MNIST/raw Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz to ../data/MNIST/raw/t10k-images-idx3-ubyte.gz 0%| | 0/1648877 [00:00<?, ?it/s] 100%|##########| 1648877/1648877 [00:00<00:00, 251450385.28it/s] Extracting ../data/MNIST/raw/t10k-images-idx3-ubyte.gz to ../data/MNIST/raw Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz to ../data/MNIST/raw/t10k-labels-idx1-ubyte.gz 0%| | 0/4542 [00:00<?, ?it/s] 100%|##########| 4542/4542 [00:00<00:00, 36286721.46it/s] Extracting ../data/MNIST/raw/t10k-labels-idx1-ubyte.gz to ../data/MNIST/raw CUDA Available: True Net( (conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1)) (conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1)) (dropout1): Dropout(p=0.25, inplace=False) (dropout2): Dropout(p=0.5, inplace=False) (fc1): Linear(in_features=9216, out_features=128, bias=True) (fc2): Linear(in_features=128, out_features=10, bias=True) )
FGSM 攻击
现在，我们可以定义一个函数，通过扰动原始输入来创建对抗性示例。fgsm_attack 函数接受三个输入，image 是原始干净图像（x xx），epsilon 是像素级扰动量（ϵ \epsilonϵ），data_grad 是损失相对于输入图像的梯度（∇ x J ( θ , x , y ) \nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y)∇xJ(θ,x,y)）。然后，函数创建扰动图像如下：
p e r t u r b e d _ i m a g e = i m a g e + e p s i l o n ∗ s i g n ( d a t a _ g r a d ) = x + ϵ ∗ s i g n ( ∇ x J ( θ , x , y ) ) perturbed\_image = image + epsilon*sign(data\_grad) = x + \epsilon * sign(\nabla_{x} J(\mathbf{\theta}, \mathbf{x}, y))perturbed_image=image+epsilon∗sign(data_grad)=x+ϵ∗sign(∇xJ(θ,x,y))
最后，为了保持数据的原始范围，扰动图像被剪切到范围 [ 0 , 1 ] [0,1][0,1]。
# FGSM attack code def fgsm_attack(image, epsilon, data_grad): # Collect the element-wise sign of the data gradient sign_data_grad = data_grad.sign() # Create the perturbed image by adjusting each pixel of the input image perturbed_image = image + epsilon*sign_data_grad # Adding clipping to maintain [0,1] range perturbed_image = torch.clamp(perturbed_image, 0, 1) # Return the perturbed image return perturbed_image # restores the tensors to their original scale def denorm(batch, mean=[0.1307], std=[0.3081]): """ Convert a batch of tensors to their original scale. Args: batch (torch.Tensor): Batch of normalized tensors. 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).to(device) if isinstance(std, list): std = torch.tensor(std).to(device) return batch * std.view(1, -1, 1, 1) + mean.view(1, -1, 1, 1)
测试函数
最后，这个教程的核心结果来自 test 函数。每次调用此测试函数都会在 MNIST 测试集上执行完整的测试步骤，并报告最终准确性。但请注意，此函数还接受一个 epsilon 输入。这是因为 test 函数报告了受到强度为 ϵ \epsilonϵ 的对手攻击的模型的准确性。更具体地说，对于测试集中的每个样本，该函数计算损失相对于输入数据的梯度（d a t a _ g r a d data\_graddata_grad），使用 fgsm_attack 创建扰动图像（p e r t u r b e d _ d a t a perturbed\_dataperturbed_data），然后检查扰动示例是否是对抗性的。除了测试模型的准确性外，该函数还保存并返回一些成功的对抗性示例，以便稍后进行可视化。
def test( model, device, test_loader, epsilon ): # Accuracy counter correct = 0 adv_examples = [] # Loop over all examples in test set for data, target in test_loader: # Send the data and label to the device data, target = data.to(device), target.to(device) # Set requires_grad attribute of tensor. Important for Attack data.requires_grad = True # Forward pass the data through the model output = model(data) init_pred = output.max(1, keepdim=True)[1] # get the index of the max log-probability # If the initial prediction is wrong, don't bother attacking, just move on if init_pred.item() != target.item(): continue # Calculate the loss loss = F.nll_loss(output, target) # Zero all existing gradients model.zero_grad() # Calculate gradients of model in backward pass loss.backward() # Collect ``datagrad`` data_grad = data.grad.data # Restore the data to its original scale data_denorm = denorm(data) # Call FGSM Attack perturbed_data = fgsm_attack(data_denorm, epsilon, data_grad) # Reapply normalization perturbed_data_normalized = transforms.Normalize((0.1307,), (0.3081,))(perturbed_data) # Re-classify the perturbed image output = model(perturbed_data_normalized) # Check for success final_pred = output.max(1, keepdim=True)[1] # get the index of the max log-probability if final_pred.item() == target.item(): correct += 1 # Special case for saving 0 epsilon examples if epsilon == 0 and len(adv_examples) < 5: adv_ex = perturbed_data.squeeze().detach().cpu().numpy() adv_examples.append( (init_pred.item(), final_pred.item(), adv_ex) ) else: # Save some adv examples for visualization later 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 = correct/float(len(test_loader)) print(f"Epsilon: {epsilon}\tTest Accuracy = {correct} / {len(test_loader)} = {final_acc}") # Return the accuracy and an adversarial example return final_acc, adv_examples
运行攻击
实现的最后一部分是实际运行攻击。在这里，我们对epsilons输入中的每个 epsilon 值运行完整的测试步骤。对于每个 epsilon 值，我们还保存最终的准确率和一些成功的对抗性示例，以便在接下来的部分中绘制。请注意，随着 epsilon 值的增加，打印出的准确率也在降低。另外，请注意ϵ = 0 \epsilon=0ϵ=0的情况代表原始的测试准确率，没有攻击。
accuracies = [] examples = [] # Run test for each epsilon for eps in epsilons: acc, ex = test(model, device, test_loader, eps) accuracies.append(acc) examples.append(ex)
Epsilon: 0 Test Accuracy = 9912 / 10000 = 0.9912 Epsilon: 0.05 Test Accuracy = 9605 / 10000 = 0.9605 Epsilon: 0.1 Test Accuracy = 8743 / 10000 = 0.8743 Epsilon: 0.15 Test Accuracy = 7111 / 10000 = 0.7111 Epsilon: 0.2 Test Accuracy = 4877 / 10000 = 0.4877 Epsilon: 0.25 Test Accuracy = 2717 / 10000 = 0.2717 Epsilon: 0.3 Test Accuracy = 1418 / 10000 = 0.1418
结果
准确率 vs Epsilon
第一个结果是准确率与 epsilon 的图。正如前面提到的，随着 epsilon 的增加，我们预计测试准确率会降低。这是因为更大的 epsilon 意味着我们朝着最大化损失的方向迈出更大的一步。请注意，尽管 epsilon 值是线性间隔的，但曲线的趋势并不是线性的。例如，在ϵ = 0.05 \epsilon=0.05ϵ=0.05时的准确率仅比ϵ = 0 \epsilon=0ϵ=0时低约 4%，但在ϵ = 0.2 \epsilon=0.2ϵ=0.2时的准确率比ϵ = 0.15 \epsilon=0.15ϵ=0.15低 25%。另外，请注意，在ϵ = 0.25 \epsilon=0.25ϵ=0.25和ϵ = 0.3 \epsilon=0.3ϵ=0.3之间，模型的准确率达到了一个随机准确率，这是一个 10 类分类器。
plt.figure(figsize=(5,5)) plt.plot(epsilons, accuracies, "*-") plt.yticks(np.arange(0, 1.1, step=0.1)) plt.xticks(np.arange(0, .35, step=0.05)) plt.title("Accuracy vs Epsilon") plt.xlabel("Epsilon") plt.ylabel("Accuracy") plt.show()
示例对抗性示例
记住没有免费午餐的概念吗？在这种情况下，随着 epsilon 的增加，测试准确率降低但扰动变得更容易察觉。实际上，攻击者必须考虑准确率降低和可察觉性之间的权衡。在这里，我们展示了每个 epsilon 值下一些成功的对抗性示例的示例。图的每一行显示不同的 epsilon 值。第一行是ϵ = 0 \epsilon=0ϵ=0的示例，代表没有扰动的原始“干净”图像。每个图像的标题显示“原始分类 -> 对抗性分类”。请注意，在ϵ = 0.15 \epsilon=0.15ϵ=0.15时，扰动开始变得明显，在ϵ = 0.3 \epsilon=0.3ϵ=0.3时非常明显。然而，在所有情况下，人类仍然能够识别出正确的类别，尽管增加了噪音。
# Plot several examples of adversarial samples at each epsilon cnt = 0 plt.figure(figsize=(8,10)) for i in range(len(epsilons)): 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(f"Eps: {epsilons[i]}", fontsize=14) orig,adv,ex = examples[i][j] plt.title(f"{orig} -> {adv}") plt.imshow(ex, cmap="gray") plt.tight_layout() plt.show()
接下来去哪里？
希望本教程能够为对抗性机器学习的主题提供一些见解。从这里出发有许多潜在的方向。这种攻击代表了对抗性攻击研究的最初阶段，自那时以来，已经有许多关于如何攻击和防御 ML 模型的后续想法。事实上，在 NIPS 2017 年有一个对抗性攻击和防御竞赛，许多竞赛中使用的方法在这篇论文中有描述：对抗性攻击和防御竞赛。对防御的工作也引出了使机器学习模型更加健壮的想法，既对自然扰动又对对抗性制作的输入。
另一个前进方向是在不同领域进行对抗性攻击和防御。对抗性研究不仅限于图像领域，可以查看这篇关于语音转文本模型的攻击。但也许了解更多关于对抗性机器学习的最佳方法是动手实践。尝试实现来自 NIPS 2017 竞赛的不同攻击，看看它与 FGSM 有何不同。然后，尝试防御模型免受您自己的攻击。
根据可用资源，另一个前进方向是修改代码以支持批处理、并行处理或分布式处理，而不是在上面的每个epsilon test()循环中一次处理一个攻击。
脚本的总运行时间: (3 分钟 52.817 秒)
下载 Python 源代码：fgsm_tutorial.py
下载 Jupyter 笔记本：fgsm_tutorial.ipynb
PyTorch 2.2 中文官方教程（五）（2）https://developer.aliyun.com/article/1482499
