CN114511756A - 基于遗传算法的攻击方法、装置及计算机程序产品 - Google Patents

Abstract

本公开提供了一种基于遗传算法的攻击方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能技术领域，具体涉及计算机视觉、图像识别和深度学习技术，可用于对抗攻击场景下。具体实现方案为：获取目标图像；从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件；确定基于攻击目标模型而最终得到的攻击数据。本公开可以有效解决直接在较大扰动范围内攻击目标模型而造成的计算成本高、对抗样本的确定效率低的问题，提高了攻击效率。

Description

基于遗传算法的攻击方法、装置及计算机程序产品

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉、图像识别和深度学习技术，尤其涉及基于遗传算法的攻击方法、装置、电子设备、存储介质以及计算机程序产品，可用于对抗攻击场景下。

背景技术

图像处理是人工智能技术的一个重要的应用，随着基于神经网络模型的图像处理模型的不断普及，近年来出现了许多针对图像识别模型的攻击算法。通过对原始图像添加一个微小的扰动就可以干扰模型对改变后的图像的识别结果，但又不影响人眼对图像的识别。此技术如果被不正当使用，会导致违规违法内容可以绕过自动审查模型进行发布，引发公共事件，造成恶劣的社会影响。因此，在模型的研发和测试阶段进行更加严格的鲁棒性测试就显得更为重要。通过模拟恶意攻击样本对目标模型进行攻击，能有效提升模型对恶意攻击的防御能力。

目前的攻击方法一般在所允许的最大扰动范围内生成随机扰动，以通过迭代方式寻找对抗样本，计算量大，进行一次攻击所需的时间较长。

发明内容

本公开提供了一种基于遗传算法的攻击方法、装置、电子设备、存储介质以及计算机程序产品。

根据第一方面，提供了一种基于遗传算法的攻击方法，包括：获取目标图像；从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件；确定基于攻击目标模型而最终得到的攻击数据。

根据第二方面，提供了一种基于遗传算法的攻击装置，包括：第一获取单元，被配置成获取目标图像；攻击单元，被配置成从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件；第一确定单元，被配置成确定基于攻击目标模型而最终得到的攻击数据。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。

根据第五方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。

根据本公开的技术，提供了一种基于遗传算法的攻击方法，攻击目标模型时，从较小的初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件，可以有效解决直接在较大扰动范围内攻击目标模型而造成的计算成本高、对抗样本的确定效率低的问题，提高了攻击效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的基于遗传算法的攻击方法的一个实施例的流程图；

图3是根据本实施例的基于遗传算法的攻击方法的应用场景的示意图；

图4是根据本公开的基于遗传算法的攻击方法的又一个实施例的流程图；

图5是根据本公开的基于遗传算法的攻击装置的一个实施例的结构图；

图6是适于用来实现本公开实施例的计算机系统的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

图1示出了可以应用本公开的基于遗传算法的攻击方法及装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如，根据终端设备101、102、103的操作指令，基于遗传算法攻击目标模型的后台处理服务器。在攻击过程中，从一个较小的扰动范围开始进行对抗攻击，并在未成功确定对抗样本的情况增加扰动范围。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的基于遗传算法的攻击方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，基于遗传算法的攻击装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当基于遗传算法的攻击方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括基于遗传算法的攻击方法运行于其上的电子设备(例如服务器或终端设备)。

请参考图2，图2为本公开实施例提供的一种基于遗传算法的攻击方法的流程图，其中，流程200包括以下步骤：

步骤201，获取目标图像。

本实施例中，基于遗传算法的攻击方法的执行主体(例如，图1中的终端设备或服务器)可以基于有线网络连接方式或无线网络连接方式从远程，或从本地获取目标图像。

本实施例中，目标图像作为对目标模型进行攻击的原始图像，未添加扰动信息。扰动信息是微小的、甚至是肉眼难以观测到的，但是旨在使得目标模型产生错误的输出结果的信息。作为示例，扰动信息可以是在目标图像中添加的噪声。

目标模型是指对图像数据具有处理分析能力，得到对应的输出结果的神经网络模型，包括但不限于是卷积神经网络、循环卷积神经网络、残差网络等模型。作为示例，目标模型可以是目标对象识别模型、分类模型、目标对象跟踪模型。在具体的应用领域中，目标识别模型例如可以是无人驾驶或辅助驾驶领域的障碍物检测模型，智能监控领域中的目标人员识别模型、人脸鉴伪模型等。

步骤202，从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件。

本实施例中，上述执行主体可以从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件。

遗传算法(Genetic Algorithm，GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

扰动范围是指可添加扰动信息的范围。作为示例，扰动范围可以通过像素点数量的方式表征。对抗攻击是指攻击目标模型以旨在得到对抗样本的过程。对抗样本由在原始图像中添加扰动信息得到，目标模型基于对抗样本得到的输出结果与基于生成对抗样本的原始图像的数据结果不同，也即，对抗样本使得目标模型得到了错误的输出结果。

作为示例，上述执行主体可以从一个较小的初始扰动范围开始，根据初始扰动范围向目标数据中添加扰动信息，得到初始扰动范围对应的攻击样本集群；将攻击样本集群中的各攻击样本输入目标模型，确定初始扰动范围对应的攻击样本集群中是否包括对抗样本。具体的，当攻击样本集群中的攻击样本存在其对应的输出结果与目标图像对应的输出结果不同甚至相反的输出结果时，表明攻击样本集群中包括对抗样本。

当确定初始扰动范围对应的攻击样本集群中不包括对抗样本时，增加初始扰动范围，得到增加后扰动范围，并根据遗传算法确定增加后扰动范围对应的攻击样本集群，进而确定增加后扰动范围对应的攻击样本集群中是否存在对抗样本，通过迭代执行上述过程，直至得到预设结束条件。

预设结果条件可以根据实际情况具体设置。作为示例，预设结果条件例如可以是达到预设迭代次数阈值，达到预设时间阈值。

在本实施例的一些可选的实现方式中，上述执行主体可以执行如下操作：确定攻击任务所允许的最大扰动范围和每次增加的预设范围。每次增加的预设范围可以视为一个增加步长。

本实现方式中，上述执行主体可以通过如下方式执行上述步骤202：

第一，从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本。

第二，响应于确定在预设时长内未成功确定目标模型的对抗样本，在当前扰动范围的基础上增加预设范围，并基于增加预设范围后的扰动范围继续对目标模型进行对抗攻击，直至达到预设结束条件。

其中，预设结束条件包括达到最大扰动范围以前成功确定对抗样本、直至达到最大扰动范围仍未确定对抗样本。

预设时长表征基于每个扰动范围的攻击过程的执行时长。其中，每个扰动范围对应的预设时长可以相同也可以不同，其可以根据实际情况具体设置，在此不做限定。

对于由初始扰动范围迭代增加预设范围而得到的每个扰动范围，由于基于遗传算法得到了继承了上一扰动范围的最优攻击样本，进而可以提高基于该扰动范围的攻击效率，当在预设时长内未成功确定目标模型的对抗样本，在该扰动范围内寻找到对抗样本的可能性已不大，从而增加到下一扰动范围，继续进行对抗攻击，直至达到最大扰动范围以前成功确定对抗样本或直至达到最大扰动范围仍未确定对抗样本。其中，最优攻击样本是指基于扰动范围所得到的攻击效果最优的攻击数据。

本实现方式中，对每个扰动范围对应的攻击过程进行时间限制，当在预设时长内未成功确定对抗样本，进入下一扰动范围对应的攻击过程，进一步提高了对抗样本的确定效率。

在本实施例的一些可选的实现方式中，上述执行主体可以通过执行如下方式中以采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本：

第一，根据上一扰动范围对应的上一攻击过程，从基于目标图像得到的上一攻击样本集群中选择目标攻击父样本。

本实现方式中，由于初始扰动范围对应的攻击过程之前并不存在攻击过程，也即，无法继承攻击数据，因此，对于初始扰动范围，需要初始化遗传算法，基于初始扰动范围随机生成扰动信息，并将扰动信息加入目标图像，得到初始扰动范围对应的攻击样本集群，以攻击目标模型，得到对抗样本或最优攻击样本。

在初始扰动范围之后的任一扰动范围，可以根据上一扰动范围对应的上一攻击过程，从基于目标图像得到的上一攻击样本集群中选择目标攻击父样本。

作为示例，上述执行主体可以评估上一攻击样本集群中各攻击样本的适应度。具体的，上述执行主体可以将上一攻击样本集群中的各攻击样本与目标图像的欧氏距离，以及目标模型对该集群的识别结果，按照预设的权重相加，得到计算集群中的各攻击样本的适应度的适应度函数，确定出各攻击样本的适应度；进而，基于轮盘赌选择算法，按照计算得到的适应度从大到小对所有攻击样本进行排序，选择排名靠前的多个攻击样本作为目标攻击父样本。

第二，在当前扰动范围内，基于目标攻击父样本中的扰动信息的交叉操作，得到交叉子样本。

本实现方式中，根据设定的交叉概率，对多个目标攻击父样本按照交叉概率进行随机交叉，产生新攻击样本；在新攻击样本的基础上，上述执行主体可以根据设定的变异概率，按照变异概率进行种群的变异，继续产生新攻击样本，得到的所有新攻击样本即为交叉子样本。

具体的，上述执行主体可以从多个目标攻击父样本的扰动信息中选取部分扰动信息，组合成完整的新扰动信息，进而将新扰动信息添加至目标图像，得到新攻击样本。例如，上述执行主体可以从两个目标攻击父样本的扰动信息中各选取一半扰动信息组合为新扰动信息。

第三，基于目标攻击父样本、交叉子样本得到当前攻击样本集群，并通过当前攻击样本集群攻击目标模型。

本实现方式中，上述执行主体可以将当前攻击样本集群中的每个攻击样本输入目标模型，得到输出结果。当存在使得目标模型输出错误结果的攻击样本时，将该攻击样本作为目标模型的对抗样本。当不存在使得目标模型输出错误结果的攻击样本时，在上一扰动范围的基础上，增加预设范围，得到新的扰动范围，进而执行上述第一至第三循环步骤，直至达到预设结束条件。

本实现方式中，提供了一种基于遗传算法进行模型攻击的具体实现方式，进一步提高了攻击效率。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第一步骤：首先，将上一攻击样本集群输入目标模型，确定上一攻击样本集群中的各攻击样本对应的损失信息；然后，根据各攻击样本对应的损失信息，从上一攻击样本集群中选择目标攻击父样本。

作为示例，上述执行主体可以确定各攻击样本对应的输出结果与目标图像对应的原始标签信息之间的损失信息，进而根据各攻击样本对应的损失信息，通过softmax函数得到各攻击样本对应的评分，从而将评分排序在前的多个攻击样本确定为目标攻击父样本。

本实现方式中，通过上一攻击样本集群中的各攻击样本对应的损失信息确定目标攻击父样本，提高了所确定的目标攻击父样本的准确度。

步骤203，确定基于攻击目标模型而最终得到的攻击数据。

本实施例中，上述执行主体可以确定基于攻击目标模型而最终得到的攻击数据。

在确定每一扰动范围而对目标模型的迭代攻击过程中，上述执行主体可以保存每次攻击过程中的攻击样本，从而在保存的攻击样本中确定攻击数据。攻击数据可以是对抗样本，也可以是根据损失信息得到的最优攻击样本。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：

响应于达到最大扰动范围以前成功确定对抗样本，确定基于攻击目标模型而最终得到的对抗样本；响应于直至达到最大扰动范围仍未确定对抗样本，根据对目标模型的攻击效果，确定基于攻击目标模型而最终得到的最优攻击样本。

作为示例，当基于攻击样本得到的输出结果与基于目标图像的输出结果之间的差异性大于预设差异性阈值时，成功确定对抗样本；当基于攻击样本得到的输出结果与基于目标图像的输出结果之间的差异性不大于预设差异性阈值时，可以将差异性最大的攻击样本作为最优攻击样本。

本实现方式中，提供了一种根据实际攻击情况而灵活确定攻击数据的方式，提高了模型攻击过程的灵活性。

继续参见图3，图3是根据本实施例的基于遗传算法的攻击方法的应用场景的一个示意图300。在图3的应用场景中，服务器301首先从数据库302中获取了目标图像。进而，从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件；确定基于攻击目标模型而最终得到的攻击数据。

本实施例中，提供了一种基于遗传算法的攻击方法，攻击目标模型时，从较小的初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件，可以有效解决直接在较大扰动范围内攻击目标模型而造成的计算成本高、对抗样本的确定效率低的问题，提高了攻击效率。

在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：

首先，获取攻击任务的攻击限制时间。

其中，攻击限制时间用于限制攻击任务对目标模型的攻击时间。

具体的，在迭代攻击过程之前或之中，上述执行主体可以根据目标用户的限制时间配置操作，获取攻击任务的攻击限制时间。

然后，根据对目标模型的攻击效果，确定达到攻击限制时间以前的最优攻击样本。

本实现方式中，通过指示攻击限制时间，上述执行主体可以灵活确定目标模型的攻击过程，进而确定对目标模型的攻击成果，进一步提供了模型攻击过程的灵活性。在对于攻击时间有严格要求的攻击任务中，上述执行主体可以在攻击限制时间内随时返回当前状况下的最优攻击样本。

在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：通过所确定的对抗样本调整目标模型。

作为示例，上述执行主体可以将对抗样本和对抗样本对应的原始标签组合为训练样本。进而，采用机器学习方法，将对抗样本作为输入，将原始标签作为期望输出，调整目标模型。

本实施例中，提供了一种对抗样本的具体应用方式，通过所确定的对抗样本调整目标模型，提高了目标模型的处理准确度。

继续参考图4，示出了根据本申请的基于遗传算法的攻击方法的又一个实施例的示意性流程400，包括以下步骤：

步骤401，获取目标图像。

步骤402，从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本。

步骤403，响应于确定在预设时长内未成功确定目标模型的对抗样本，在当前扰动范围的基础上增加预设范围，并基于增加预设范围后的扰动范围继续对目标模型进行对抗攻击，直至达到预设结束条件。

其中，预设结束条件包括达到最大扰动范围以前成功确定对抗样本、直至达到最大扰动范围仍未确定对抗样本。

步骤404，响应于达到最大扰动范围以前成功确定对抗样本，确定基于攻击目标模型而最终得到的对抗样本。

步骤405，通过所确定的对抗样本调整目标模型。

从本实施例中可以看出，与图2对应的实施例相比，本实施例中的基于遗传算法的攻击方法的流程400具体说明了攻击过程和对抗样本的应用过程，进一步提高了攻击效率和实用性。

继续参考图5，作为对上述各图所示方法的实现，本公开提供了一种基于遗传算法的攻击装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，基于遗传算法的攻击装置包括：第一获取单元501，被配置成获取目标图像；攻击单元502，被配置成从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件；第一确定单元503，被配置成确定基于攻击目标模型而最终得到的攻击数据。

在本实施例的一些可选的实现方式中，上述装置还包括：第二确定单元(图中未示出)，被配置成确定攻击任务所允许的最大扰动范围和每次增加的预设范围；以及攻击单元502，进一步被配置成：从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本；响应于确定在预设时长内未成功确定目标模型的对抗样本，在当前扰动范围的基础上增加预设范围，并基于增加预设范围后的扰动范围继续对目标模型进行对抗攻击，直至达到预设结束条件，其中，预设结束条件包括达到最大扰动范围以前成功确定对抗样本、直至达到最大扰动范围仍未确定对抗样本。

在本实施例的一些可选的实现方式中，攻击单元502，进一步被配置成：根据上一扰动范围对应的上一攻击过程，从基于目标图像得到的上一攻击样本集群中选择目标攻击父样本；在当前扰动范围内，基于目标攻击父样本中的扰动信息的交叉操作，得到交叉子样本；基于目标攻击父样本、交叉子样本得到当前攻击样本集群，并通过当前攻击样本集群攻击目标模型。

在本实施例的一些可选的实现方式中，攻击单元502，进一步被配置成：将上一攻击样本集群输入目标模型，确定上一攻击样本集群中的各攻击样本对应的损失信息；根据各攻击样本对应的损失信息，从上一攻击样本集群中选择目标攻击父样本。

在本实施例的一些可选的实现方式中，第一确定单元503，进一步被配置成：响应于达到最大扰动范围以前成功确定对抗样本，确定基于攻击目标模型而最终得到的对抗样本；响应于直至达到最大扰动范围仍未确定对抗样本，根据对目标模型的攻击效果，确定基于攻击目标模型而最终得到的最优攻击样本。

在本实施例的一些可选的实现方式中，上述装置还包括：第二获取单元(图中未示出)，被配置成获取攻击任务的攻击限制时间，其中，攻击限制时间用于限制目标任务对目标模型的攻击时间；第三确定单元(图中未示出)，被配置成根据对目标模型的攻击效果，确定达到攻击限制时间以前的最优攻击样本。

在本实施例的一些可选的实现方式中，上述装置还包括：调整单元(图中未示出)，被配置成通过所确定的对抗样本调整目标模型。

本实施例中，提供了一种基于遗传算法的攻击装置，攻击目标模型时，从较小的初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件，可以有效解决直接在较大扰动范围内攻击目标模型而造成的计算成本高、对抗样本的确定效率低的问题，提高了攻击效率。

根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的基于遗传算法的攻击方法。

根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的基于遗传算法的攻击方法。

本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的基于遗传算法的攻击方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如基于遗传算法的攻击方法。例如，在一些实施例中，基于遗传算法的攻击方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的基于遗传算法的攻击方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于遗传算法的攻击方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开实施例的技术方案，提供了一种基于遗传算法的攻击方法，攻击目标模型时，从较小的初始扰动范围开始，采用遗传算法，在当前扰动范围内基于目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对目标模型进行对抗攻击，直至达到预设结束条件，可以有效解决直接在较大扰动范围内攻击目标模型而造成的计算成本高、对抗样本的确定效率低的问题，提高了攻击效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种基于遗传算法的攻击方法，包括：

获取目标图像；

从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于所述目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对所述目标模型进行对抗攻击，直至达到预设结束条件；

确定基于攻击所述目标模型而最终得到的攻击数据。

2.根据权利要求1所述的方法，其中，还包括：

确定攻击任务所允许的最大扰动范围和每次增加的预设范围；以及

所述从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于所述目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对所述目标模型进行对抗攻击，直至达到预设结束条件，包括：

从所述初始扰动范围开始，采用遗传算法，在当前扰动范围内基于所述目标图像确定目标模型的对抗样本；

响应于确定在预设时长内未成功确定所述目标模型的对抗样本，在当前扰动范围的基础上增加预设范围，并基于增加预设范围后的扰动范围继续对所述目标模型进行对抗攻击，直至达到所述预设结束条件，其中，所述预设结束条件包括达到所述最大扰动范围以前成功确定对抗样本、直至达到所述最大扰动范围仍未确定对抗样本。

3.根据权利要求1或2所述的方法，其中，所述采用遗传算法，在当前扰动范围内基于所述目标图像确定目标模型的对抗样本，包括：

根据上一扰动范围对应的上一攻击过程，从基于所述目标图像得到的上一攻击样本集群中选择目标攻击父样本；

在当前扰动范围内，基于所述目标攻击父样本中的扰动信息的交叉操作，得到交叉子样本；

基于所述目标攻击父样本、所述交叉子样本得到当前攻击样本集群，并通过所述当前攻击样本集群攻击所述目标模型。

4.根据权利要求3所述的方法，其中，所述根据上一扰动范围对应的上一攻击过程，从基于所述目标图像得到的上一攻击样本集群中选择目标攻击父样本，包括：

将所述上一攻击样本集群输入所述目标模型，确定所述上一攻击样本集群中的各攻击样本对应的损失信息；

根据各攻击样本对应的损失信息，从所述上一攻击样本集群中选择所述目标攻击父样本。

5.根据权利要求2所述的方法，其中，所述确定基于攻击所述目标模型而最终得到的攻击数据，包括：

响应于达到所述最大扰动范围以前成功确定对抗样本，确定基于攻击所述目标模型而最终得到的对抗样本；

响应于直至达到所述最大扰动范围仍未确定对抗样本，根据对所述目标模型的攻击效果，确定基于攻击所述目标模型而最终得到的最优攻击样本。

6.根据权利要求1所述的方法，其中，还包括：

获取攻击任务的攻击限制时间，其中，所述攻击限制时间用于限制所述目标任务对所述目标模型的攻击时间；

根据对所述目标模型的攻击效果，确定达到所述攻击限制时间以前的最优攻击样本。

7.根据权利要求1-6中任一项所述的方法，其中，还包括：

通过所确定的对抗样本调整所述目标模型。

8.一种基于遗传算法的攻击装置，包括：

第一获取单元，被配置成获取目标图像；

攻击单元，被配置成从初始扰动范围开始，采用遗传算法，在当前扰动范围内基于所述目标图像确定目标模型的对抗样本，并在未成功确定对抗样本的情况下增加扰动范围以继续对所述目标模型进行对抗攻击，直至达到预设结束条件；

第一确定单元，被配置成确定基于攻击所述目标模型而最终得到的攻击数据。

9.根据权利要求8所述的装置，其中，还包括：

第二确定单元，被配置成确定攻击任务所允许的最大扰动范围和每次增加的预设范围；以及

所述攻击单元，进一步被配置成：

从所述初始扰动范围开始，采用遗传算法，在当前扰动范围内基于所述目标图像确定目标模型的对抗样本；响应于确定在预设时长内未成功确定所述目标模型的对抗样本，在当前扰动范围的基础上增加预设范围，并基于增加预设范围后的扰动范围继续对所述目标模型进行对抗攻击，直至达到所述预设结束条件，其中，所述预设结束条件包括达到所述最大扰动范围以前成功确定对抗样本、直至达到所述最大扰动范围仍未确定对抗样本。

10.根据权利要求8或9所述的装置，其中，所述攻击单元，进一步被配置成：

根据上一扰动范围对应的上一攻击过程，从基于所述目标图像得到的上一攻击样本集群中选择目标攻击父样本；在当前扰动范围内，基于所述目标攻击父样本中的扰动信息的交叉操作，得到交叉子样本；基于所述目标攻击父样本、所述交叉子样本得到当前攻击样本集群，并通过所述当前攻击样本集群攻击所述目标模型。

11.根据权利要求10所述的装置，其中，所述攻击单元，进一步被配置成：

将所述上一攻击样本集群输入所述目标模型，确定所述上一攻击样本集群中的各攻击样本对应的损失信息；根据各攻击样本对应的损失信息，从所述上一攻击样本集群中选择所述目标攻击父样本。

12.根据权利要求9所述的装置，其中，所述第一确定单元，进一步被配置成：

响应于达到所述最大扰动范围以前成功确定对抗样本，确定基于攻击所述目标模型而最终得到的对抗样本；响应于直至达到所述最大扰动范围仍未确定对抗样本，根据对所述目标模型的攻击效果，确定基于攻击所述目标模型而最终得到的最优攻击样本。

13.根据权利要求8所述的装置，其中，还包括：

第二获取单元，被配置成获取攻击任务的攻击限制时间，其中，所述攻击限制时间用于限制所述目标任务对所述目标模型的攻击时间；

第三确定单元，被配置成根据对所述目标模型的攻击效果，确定达到所述攻击限制时间以前的最优攻击样本。

14.根据权利要求8-13中任一项所述的装置，其中，还包括：

调整单元，被配置成通过所确定的对抗样本调整所述目标模型。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括：计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images