[发明专利]硬标签黑盒深度模型对抗样本的生成方法、存储介质

权利要求书

1.一种硬标签黑盒深度模型对抗样本的生成方法，其特征在于，包括以下步骤：

输入原图像和目标图像；

初始化对抗图像为目标图像；

采用双方向的随机游走优化算法在保证对抗图像的分类为目标图像对应的目标类别的前提下进行迭代优化计算，以使所述对抗图像逼近所述原图像；其中，所述双方向包括随机方向和确定方向；所述迭代优化计算过程中，依据对抗图像与原图像距离缩小的实际值与期望值的比例动态调整所述双方向之间的权重系数，并且将历史查询信息作为先验知识指导当前采样；

所述采用双方向的随机游走优化算法在保证对抗图像的分类为目标图像对应的目标类别的前提下进行迭代优化计算，以使所述对抗图像逼近所述原图像，包括：

使用公式：进行迭代优化计算；

式中，x_k+1为当前计算得到的对抗图像；x_k为第K次迭代得到的对抗图像；x_s为原图像；η～N(μ,I)为随机高斯采样向量，其中，N表示高斯分布，μ为高斯分布均值，I为单位矩阵；(x_s-x_k)为一个确定方向；η为一个随机方向；α为确定方向的系数；β为随机方向的系数；

若计算得到的对抗图像x_k+1的分类为目标图像对应的目标类别，则累计迭代次数，更新所述公式的参数，继续进行迭代优化计算；

若计算得到的对抗图像x_k+1的分类非目标图像对应的目标类别，则赋值对抗图像x_k+1为上一次迭代优化计算得到的对抗图像x_k，更新所述公式的参数，继续进行迭代优化计算；

所述将历史查询信息作为先验知识指导当前采集，包括：

所述初始化对抗图像为目标图像的同时，还包括：

初始化随机高斯采样向量中的高斯分布均值μ＝0；

所述若计算得到的对抗图像x_k+1的分类为目标图像对应的目标类别，则更新所述公式的参数，之后，还包括：

更新高斯分布均值μ为(1-γ)·μ+γ·η，其中，γ系数用于控制不同时期历史查询信息的影响；η为一个随机方向；

所述若计算得到的对抗图像x_k+1的分类非目标图像对应的目标类别，则更新所述公式的参数，之后，还包括：

更新高斯分布均值μ为(1-γ)·μ-γ·η。

2.如权利要求1所述的一种硬标签黑盒深度模型对抗样本的生成方法，其特征在于，所述依据对抗图像与原图像距离缩小的实际值与期望值的比例动态调整所述双方向之间的权重系数，包括：

更新高斯分布均值μ之后，依据公式r∈[0,1]计算当前迭代优化计算后对抗图像与原图像距离缩小的实际值与期望值的比例r，式中，R_act为对抗图像与原图像距离缩小的实际值，依据公式R_act＝||x_k-x_s||₂-||x_k+1-x_s||₂计算得到；R_exp为对抗图像与原图像距离缩小的期望值，依据公式计算得到；

依据所述比例r的大小，正比例调整确定方向的系数α的大小。

3.如权利要求2所述的一种硬标签黑盒深度模型对抗样本的生成方法，其特征在于，依据所述比例r的大小，正比例调整确定方向的系数α的大小，包括：

依据历史迭代优化计算得到历史比例r′，计算比例均值；

依据公式α·(mean(r′)+0.8)²计算新的确定方向的系数，式中，α为当前迭代优化计算所使用的确定方向的系数；mean(r′)为所述比例均值。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序在被处理器执行时，能够实现上述权利要求1至3任意一项所述的一种硬标签黑盒深度模型对抗样本的生成方法。