对抗机器学习模型_对抗学习模型

重磅推荐专栏： 《Transformers自然语言处理系列教程》
手把手带你深入实践Transformers，轻松构建属于自己的NLP智能应用！

1. Attack ML Model

随着AI时代机器学习模型在实际业务系统中愈发无处不在，模型的安全性也变得日渐重要。机器学习模型很可以会遭到恶意攻击，比较直接就能想到的如：人脸识别模型的攻击。训练出具有对抗性的机器学习模型，在业务系统存在着越来越重要的实际意义。

2. Attack

机器学习模型攻击要做的事情如下图所示：

假设我们有一个Network用来做动物的图像识别。我们输入一张如图所示的图片$x^0$，Network预测为“Tiger Cat”。机器学习模型攻击是在$x^0$上加上一个微小的噪音$\Delta x$，使得图片看起来还是一只“Tiger Cat”，但是通过Network的预测结果却是其他动物了。

2.1 Loss function

如上图所示，如果做图像分类，损失函数为：

其中，图像输入$x^0$是固定的。那么攻击模型的损失函数也可用类似的方式定义出来：

• 如果是无目标攻击（不需要使得被攻击的模型将输入预测成特定某一类）的攻击，则损失函数为：
  
  即预测结果远离类别。其中，网络参数$\theta$是固定，网络调整的是输入的$x^{{}^{\prime }}$

• 有目标攻击（使得被攻击的模型将输入预测成特定某一类）的攻击，则损失函数为：
  
  即预测结果既要远离正确类别，又要接近某错误类别。

上述两种损失函数还需要满足一定的约束，就是不能与原来的图片有太大的差异，即：

距离 d 通常的定义方式有：

2.2 Attack gradient descent

Attack gradient descent 相当于就是有了一定限制的gradient descent。每一步在对$x$做更新后，都要计算是否符合限制：

如果不符合，我们就把它调整为符合限制的$x$。如何调整呢？简而言之，就是把更新后的$x^t$拉到符合限制区域的最近的向量上，用它来替代$x^t$：

2.3 FGSM

FGSM（fast gradient sign method） 是一种非常快捷的attack方法：只进行一次求梯度，并取其各个位上的符号作为结果 $\Delta x$ ；更新时根据 $\Delta x$ 直接加减 $\epsilon$：

该方法相当于使用了非常大的学习率，并且采用L-infinity距离，再把$x$拉回到正方形的角上。

2.4 Black box attack

之前讲的都是白盒攻击，即模型的网络结构我们都是知道的。那么，如果一个未知结构的Black模型，该如何攻击？很神奇的是，我们只要用相同的数据训练某个自定义结构的Proxy模型，在该Proxy模型上做attack，Black模型也能被很好的attack了。下表为proxy-black attack后的正确率：

2.5 More …

• 并不需要一张图片训练一个噪音，一个噪音可以attack所有的图片：
  
• 带一副眼镜，就能骗过人脸识别系统：
  

3. Defense

讲完attack，我们来讲怎么defense。

2.1 Passive Defense

Passive Defense 主要是思想是在给模型做层“保护罩”。

2.1.1 Smoothing Filter

做一层简单的平滑过滤，也能很好的防御attack：

2.1.2 Feature Squeeze

用不同压缩的特征进行预测，根据预测结果之间的距离来判定该输入是否被attack：

2.1.3 Randomization

对输入对图片做一些随机对改变（如尺寸、填充）,然后再输入到模型中：

2.2 Proactive Defense

Proactive Defense 的主要思想是：找出漏洞，补起来。直观的去想，做法也很简单：

• 训练数据 train出 model
• 对每个训练数据，train出可以attack model的 新数据，并用原数据的label 作为新数据的label
• 生成的新数据再用于训练model，填补model的漏洞