Page 196 - 《软件学报》2021年第11期
P. 196
3522 Journal of Software 软件学报 Vol.32, No.11, November 2021
Res-50 和 Res-101 的攻击结果.
Table 3 Results of step size α (QN/L 2 )
表 3 不同步长α的结果(QN/L 2 )
Target model α=0.01 α=0.1 α=1.0 α=10 α=100
Vgg-16 25 575/6.56 9 710/8.77 2 815/13.37 2 803/14.88 2 945/14.94
Inc-v3 43 694/7.95 18 829/9.39 6 941/14.73 6 732/19.41 7 074/19.66
Res-50 25 781/6.66 10 844/7.95 3 433/12.52 3 978/14.76 3 661/14.79
Res-101 28 581/7.06 12 041/8.22 3 979/12.60 4 134/14.69 4 146/14.79
根据表 3 可以发现,步长参数对攻击结果的影响如下.
(1) 步长的量级与攻击的效率呈现出正相关的趋势:当α选择较小值(即α=0.01/0.1)的情况下,ES-Attack 的
平均交互查询的次数较多,攻击效率较低;而当α大于 1 后,交互查询的次数收敛.
(2) 步长的量级会影响扰动的幅度:随着步长大小的增加,最终生成扰动的幅度也逐渐增大.当设置α=0.01
时,攻击预训练模型生成扰动的平均幅度最小,分别为 L 2 =6.56/7.95/6.66/7.06.
本文综合考虑攻击效率与扰动幅度,选择α=1.0 作为后续实验的参数.
3.3 AM-Com方法相关参数实验
本节主要对 AM-Com 方法的有效性进行验证.AM-Com 首先基于替代网络模型生成的热力图对扰动进行
分组,然后依次压缩各组的冗余扰动.其中,热力图的选择策略和分组数量 N 对压缩效果有较大的影响.
• 分组策略选择实验
本文选择了 4 种不同的热力图作为分组策略进行对比,分别为:
()y
(1) 黑盒攻击的目标标签对应的热力图 CAM .
(2) 图像真实标签对应的热力图 CAM(y).
(3) 目标标签与真实标签对应热力图的求和平均 | CAM ( )y + CAM ( ) | / 2y ,记为 CAM(+).
(4) | CAM ( )y − CAM ( ) |y ,即真实标签与目标标签热力图之差的绝对值,记为 CAM(−).
此外,本文还考虑加入两种基线分组策略进行对比.
(5) 随机分组方法 [26] ,即将扰动的每一维数据随机划分到任意一组,平均每组的数据数量为 n/N,记为
Random.
(6) Shi 等人 [40] 提出的 Whey 分组方法,即按照扰动向量的绝对值从小到大平均分为 N 组,记为 Whey.
图 4 展示了 Inc-v3 模型对应分组(1)~分组(4)策略下生成的热力图可视化示例,通过观察可以看出,CAM(y)
主要关注的区域为图像内容的主体(如萨摩耶犬与金鱼的头部), CAM 则主要关注图像主体之外的区域(如
( )y
背景部分),而 CAM(+)与 CAM(−)的关注区域则介于二者之间.
Fig.4 Visualized examples of different heatmaps generated by Inc-v3
图 4 Inc-v3 模型生成不同热力图的可视化示例
与第 3.2 节相同,用于生成热力图的替代网络模型包括 Vgg-16、Inc-v3、Res-50 和 Res-101,分组数量 N=100,