当前位置：首页 > news >正文

【调制识别】PGD攻击中参数的含义

news 来源：原创 2025/5/20 14:07:30

在PGD（Projected Gradient Descent）对抗攻击中，代码如下：

# 定义PGD对抗样本生成类
class AttackPGD(nn.Module):  def __init__(self, model, config):super(AttackPGD, self).__init__()self.model = model                      # 模型self.rand = config['random_start']      # 是否随机初始化self.step_size = config['step_size']    # 步长self.epsilon = config['epsilon']        # 扰动量self.num_steps = config['num_steps']    # 迭代次数self.attack = config['attack']          # 是否进行对抗攻击def forward(self, inputs, targets):if not self.attack:                   # 如果不进行对抗攻击，直接返回模型的输出和输入return self.model(inputs), inputsx = inputs.detach() # 返回一个新的张量，从当前计算图中分离出来，即返回的新的张量不会参与梯度计算if self.rand:                         # 如果随机初始化，则将输入的每个元素随机偏移一个范围在 [-epsilon, epsilon] 之间的值x = x + torch.zeros_like(x).uniform_(-self.epsilon, self.epsilon) x.requires_grad_(True)                   # 设置 x 需要计算梯度original_training = self.model.training  # 保存模型当前训练状态self.model.train()                       # 将模型设置为训练模式for i in range(self.num_steps):          # 迭代 num_steps 次# 清除之前计算的梯度if x.grad is not None:               # 如果 x 的梯度不为空，则将其置零,作用是防止梯度累积x.grad.zero_()with torch.enable_grad():            # 启用梯度计算logits = self.model(x).float()   # 获取模型的输出loss = F.cross_entropy(logits, targets, reduction='sum') # 计算损失函数grad = torch.autograd.grad(loss, x, create_graph=False)[0]   # 计算梯度x = x.detach() + self.step_size * torch.sign(grad)           # 更新 xx = torch.min(torch.max(x, inputs - self.epsilon), inputs + self.epsilon)# 投影到inputs的边界[inputs-epsilon,inputs+epsilon]# x = torch.clamp(x, 0, 1)  # 将 x 的值限制在 [0, 1] 之间x.requires_grad_(True)      # 设置 x 需要计算梯度self.model.train(original_training) # 恢复模型的训练状态return self.model(x), x   # 返回模型在对抗样本上的输出和对抗样本本身

在PGD（Projected Gradient Descent）对抗攻击中，参数的含义及代码逻辑解析如下：

参数解析

step_size（扰动步长，示例值0.5）
- 作用：每次迭代中沿梯度方向更新扰动的步长。
- 影响：步长越大，单次更新幅度越大，可能更快接近扰动边界，但可能跳过最优解；步长越小，更新更精细，但需要更多迭代次数。
epsilon（扰动范围，示例值2）
- 作用：对抗样本与原始输入之间的最大允许扰动（L∞范数约束）。
- 影响：控制扰动的不可察觉性，值越大对抗样本越容易被察觉，但攻击成功率可能更高。
num_steps（迭代次数，示例值4）
- 作用：攻击的迭代次数。
- 影响：迭代次数越多，攻击越强（更接近最优扰动），但计算成本更高。

代码逻辑解析

初始化
- 保存模型和配置参数（如是否随机初始化、步长、扰动范围等）。
生成对抗样本（forward方法）
- 是否攻击：若关闭攻击（attack=False），直接返回原始输入和模型输出。
- 随机初始化：若启用random_start，在初始输入上添加均匀分布的随机扰动（范围[-epsilon, epsilon]），避免陷入局部最优。
- 迭代扰动：
  1. 计算梯度：通过损失函数（交叉熵）的反向传播获取输入梯度。
  2. 更新扰动：沿梯度符号方向（torch.sign(grad)）以步长step_size更新输入。
  3. 投影约束：将扰动后的输入限制在原始输入的邻域[inputs-epsilon, inputs+epsilon]内（L∞约束）。
  4. 循环迭代：重复上述步骤num_steps次。
恢复模型状态
- 确保攻击结束后，模型的训练模式与攻击前一致。