搜索
作者：RomanTrusov编译：元元、桑桑、徐凌霄、钱天培、高宁、余志文Googlebrain最近的研究表明，任何机器学习的分类器都可以被误导，然后给出错误的预测。甚至，只需要利用一些小技巧，你就可以让分类器输出几乎任何你想要的结果。机器学习可能会被“误导”的这一现象，正变得越发令人担忧。考虑到越来越多的系统正在使用AI技术，而且很多系统对保障我们舒适而安全的生活至关重要，比如说，银行、监控系统、自动取款机（ATM）、笔记本电脑上的人脸识别系统，以及研发中的自动驾驶汽车。关于人工智能的安全问题，近期的关注点主要围绕道德层面，今天我们将讨论一些更紧迫更现实的问题。什么是对抗性攻击（AdversarialAttacks）机器学习算法的输入形式为数值型向量（numericvectors）。通过设计一种特别的输入以使模型输出错误的结果，这便被称为对抗性攻击。这怎么可能呢？没有一种机器学习算法是完美的，正如人类会犯错误一样，机器智能自然也会出错——虽然这很罕见。然而，机器学习模型由一系列特定的变换组成的，大多数变换对输入的轻微变化都非常敏感。利用这种敏感性可以改变算法的运行结果，这是人工智能安全安全的一个重要问题。本文中，我们将展示攻击的几种主要类型及实例，解释攻击易于实施的原因，并讨论这个技术所引起的安全隐患。对抗性攻击的类型下面是我们将要重点分析的主要攻击类型:1.无目标的对抗性攻击：这是最普遍的攻击类型，其目标是使分类器输出错误的结果2.有目标的对抗性攻击：这种攻击稍微困难一些，其目标是使分类器针对你的输入输出一个特定的类。Inceptionv3分类器我们来看看针对GoogleInceptionV3ImageNet分类器的非目标性对抗攻击是如何完成的：图片注释：Inceptionv3构架，来自于Google一个经训练的神经网络本质上代表一个高维的决策边界。我们可以把决策边界想象为一组单元格，同一个单元格中的每一个点（在这个例子中是指每一张图片）都属于同一个类别。当然，边界不是完美的，甚至可以说，这些“单元格”的分类过于粗糙且为线性。这就是该模型的主要漏洞。理想情况下，一个好的对抗性攻击是，提供一个与原始图片数据视觉上无法区分的输入，却让分类器输出完全不同的预测结果。该攻击的主要思想是为每一类图片找到一组能够把表示向量从原单元格“拖向”另一个单元格轻微的扰动。。本文中，我们将原始图片称为“源”（source），把我们加入的扰动称为“噪声”（noise）。虽然这并不是一个真正的噪声，但我们会看到，它其实包含着多重复杂的结构。所以，现在我们需要知道的只是一个移动方向，使其从初始点（source）移动到临近的其他单元格,或者在目标性攻击的情况下，移至目标类的某个特定单元格。逐步分析最简单但也最有效的方法是快速梯度逐步算法（FastGradientStepMethod，FGSM）。这个方法的核心思想是在每一步优化的过程中加入少量噪声，让预测结果朝目标类别偏移,或者如你所愿远离正确的类别。有时候我们需要限制噪声的振幅以使得攻击更加隐蔽,比如说防止某人调查我们的诡计。在我们的例子中，噪声的振幅意味着像素通道的强度——限制振幅可以确保噪声几乎无法察觉，而在最极端的情况下，图片看起来也只是像一个过度压缩的jpeg文件.这是一个纯粹的最优化问题——但是在这个例子中，我们优化噪声的强度来使错误最大化。在这个案例中，因为你可以获取神经网络的原始输出信息,所以你可以直接测量误差以及计算梯度。你一定会说,很不错,但是如果我们没有完整的原始输出信息怎么办,——比如只有一个分类结果?如果我们不知道模型的架构怎么办?好，让我们假设一个最现实的例子。如果我们要攻击一个完全的“黑箱”,即接受一张图片作为输入，然后输出该图片的类别。仅此而已。你该怎么办呢?你可以从相同的方向入手.首先你需要生成噪音并加到图片上,然后将图片输入分类器,并不断重复这个过程直到机器出错。不管你是否限制噪声强度的大小，重复到某个时刻，你都不会再看到正确的分类结果。此时你需要做的事就是找到能得到相同错误结果的最弱噪声，用一个简单的二分搜索就可以做到.让我们来看看为什么这个方法可行。我们来考虑图片空间中的不同横截面，如果你开始向某个方向移动,你会停在哪儿呢？根据FGSM的定义（沿梯度方向逐步移动），FGSM会使你移动到真实类别和某个错误类别的边界上,如下图所示：图片标题：对抗方向和随机方向的横截面图集横坐标：快速梯度方向（对抗方向）纵坐标：垂直梯度方向的随机值（随机方向）与DavidWarde-Farley和NicolasPapernot合作完成图片“真”和“假”之间的边界几乎是线性的。我们可以从中得到两个有趣的结论。首先，如果你沿着梯度的方向进行计算,一旦碰到了预测的类别改变的区域，就可以确认攻击成功了。另一方面，它表明了，决策函数的结构远比大多数研究者想象的容易。这个方法很简单而高效。如果没有防护措施，这个方法几乎可以“玩弄”所有的机器学习算法。让我们来执行一个无目标性攻击成功案例：非目标性攻击让你的跑车秒变烤面包机在本实验中，我们将使用PyTorch和torchvision包中的预训练分类器Inception_v3模型。让我们逐步分解攻击的思路。首先，我们需要选择一组图像，将它转化为对抗样本。为了简单方便起见，我将使用NIPS2017对抗攻击挑战赛中的数据集（developmentset）。你可以在这里下载所有的脚本：定义主要的设置，并初始化神经网络：classes=eval(open('classes.txt').read())trans=T.Compose([T.ToTensor(),T.Lambda(lambdat:t.unsqueeze(0))])reverse_trans=lambdax:np.asarray(T.ToPILImage()(x))在这里，我们需要一个可以将PIL（PythonImagingLibrary）图片转换为Torch张量的转化，同时我们还需要一个可以输出numpy矩阵的反向转换，让我们可以将其重新转化为一张图片。eps=2*8/225.steps=40norm=float('inf')step_alpha=0.0001model=inception_v3(pretrained=True,transform_input=True).cuda()loss=nn.CrossEntropyLoss()model.eval();这是一个可以拿来就用的预训练神经网络。这篇教程中的所有操作都是在GPU上运行的，如果你不想使用GPU，只需要将代码中所有的“.cuda()”调用和“.cpu()”调用删除即可。我们也定义了一个损失函数，之后会在此基础上进行梯度下降。关于“step_alpha”参数，我们稍后会进行进一步讨论。为了使攻击更加细微，我们需要为所增加的噪音施加约束。一个很好的方法是将噪声的L-无限范数（即绝对值）限制在一定值，通过这种方法，图像就不会显得过亮或过暗。这种方法也很容易理解——像素点数值的绝对值正代表了图片在某一RBG通道的亮度。在编写攻击代码之前，让我们先添加这个可以进行可视化的函数：defload_image(img_path):img=trans(Image.open(img_path).convert('RGB'))returnimg首先，我们从磁盘读取图像，并将其转换为网络能接受的格式。defget_class(img):x=Variable(img,volatile=True).cuda()cls=model(x).data.max(1)[1].cpu().numpy()[0]returnclasses[cls]默认情况下，分类器只给我们一个类的数字id——该方法既能完成统计推断，也能给出最可能的分类结果。defdraw_result(img,noise,adv_img):fig,ax=plt.subplots(1,3,figsize=(15,10))orig_class,attack_class=get_class(img),get_class(adv_img)ax[0].imshow(reverse_trans(img[0]))ax[0].set_title('Originalimage:{}'.format(orig_class.split(',')[0]))ax[1].imshow(noise[0].cpu().numpy().transpose(1,2,0))ax[1].set_title('Attackingnoise')ax[2].imshow(reverse_trans(adv_img[0]))ax[2].set_title('Adversarialexample:{}'.format(attack_class))foriinrange(3):ax[i].set_axis_off()plt.tight_layout()plt.show()我们的FGSM攻击将取决于三个参数：1.最大强度（这不应超过16）2.梯度步数3.步长一系列试验后，我们将梯度步数确定在了10-20，将步长定为0.001。通常我们不会把步长设置的太大，以避免结果不稳定。这一步骤和普通梯度下降是一样的。defnon_targeted_attack(img):img=img.cuda()label=torch.zeros(1,1).cuda()x,y=Variable(img,requires_grad=True),Variable(label)forstepinrange(steps):zero_gradients(x)out=model(x)y.data=out.data.max(1)[1]_loss=loss(out,y)_loss.backward()normed_grad=step_alpha*torch.sign(x.grad.data)step_adv=x.data+normed_gradadv=step_adv-imgadv=torch.clamp(adv,-eps,eps)result=img+advresult=torch.clamp(result,0.0,1.0)x.data=resultreturnresult.cpu(),adv.cpu()通过这样的修改，我们让分类器越错越离谱。我们可以完全控制该流程在两个“维度”中的细化程度：1.我们用参数eps控制噪声的幅度：参数越小，输出图片的变动也就越小2.我们通过参数step_alpha来控制攻击的稳定性：和在神经网络的普通训练过程中类似，如果把它设置得太高，我们很可能会找不到损失函数的极值点。如果我们不限制攻击的幅度，结果则可能类似于目标类中的平均图像，权衡之后将如下所示：在我所有的实验中，使用最小的eps也能带来不错的结果——很小的改动就能让分类器懵逼。为了更清楚地演示，在下面的示范中我将噪音调大了。让我们来运行一下“攻击”，看看我们将得到什么：img=load_image('input.png')adv_img,noise=non_targeted_attack(img)draw_res