迈向具有多尺度结构-频率变换的可转移对抗性攻击

《Knowledge-Based Systems》：Towards transferable adversarial attacks with multi-scale structure-frequency transformations

　　

龙何| pian王| 亚捷肖| 康阳陈| 常刘| 清晓关| 钟邦刘

摘要

深度神经网络（DNNs）容易受到对抗样本（Adversarial Examples，AEs）的攻击，这在安全相关领域带来了重大风险。对抗样本的迁移能力（即它们在不同目标网络间的攻击效果）凸显了DNNs的脆弱性。在迁移攻击中，基于输入变换的对抗方法通过诱导多种模式来显著提升迁移能力。然而，现有的迁移方法主要关注在结构层面破坏特征，而没有从频率角度进行实质性干扰，这限制了对抗样本在目标模型间的迁移能力。为此，我们提出了一个名为“多尺度结构-频率变换”（Multi-Scale Structure-Frequency Transformations，简称MS²FT）的框架，该框架将随机维度结构变换与低频（LF）域的多尺度变换相结合。具体而言，我们首先通过沿随机选定的维度打乱输入块来破坏内部结构相关性，从而实现随机维度结构变换；接着对这些打乱后的块进行多尺度频率变换，以干扰低频谱中的类别细粒度成分，从而削弱目标模型中类别显著特征的表达能力；最后，我们进一步聚合这些变换后模式的梯度以提升整体迁移能力。在ImageNet上的大量实验结果表明，使用MS²FT制作的对抗样本在迁移攻击成功率方面大幅超越了现有的最先进（SOTA）基线方法（无论是CNN模型还是Transformer模型），同时保持了对高级防御措施的鲁棒性。MS²FT为通过同时在结构和频率层面干扰输入属性来提升对抗迁移能力提供了实用的研究方向。我们的代码可在以下链接获取：https://github.com/dislab-gzhu/MS2FT。