9.4.2 在FoolBox中使用JSMA演算法

9.4.2在FoolBox中使用JSMA演算法

下面我們以ImageNet2012為例介紹如何在FoolBox中使用JSMA演算法，代碼路徑為：

https://github.com/duoergun0729/adversarial_examples/blob/master/code/9-foolbox-imagenet-jsma.ipynb

首先載入需要使用的Python庫，使用的深度學習框架為Keras+TensorFlow。FoolBox中對各種深度學習框架的封裝在foolbox.models中，對攻擊演算法的封裝在foolbox.attacks中。攻擊的模型是基於ImageNet2012訓練的ResNet50，在keras.applications.resnet50中定義。

importfoolbox

importkeras

importnumpyasnp

fromkeras.applications.resnet50importResNet50

實例化基於ImageNet訓練的ResNet50模型，其中圖像數據每個像素的取值範圍為0到255，迭代攻擊過程中超過這個範圍的值需要進行截斷處理。

kmodel=ResNet50(weights='imagenet')

preprocessing=(np.array([104,116,123]),1)

fmodel=foolbox.models.KerasModel(kmodel,bounds=(0,255),

preprocessing=preprocessing)

載入FoolBox自帶的測試圖片和對應的標籤，並對其進行預測，預測的標籤為282。

#載入原始圖片和對應的標籤

image,label=foolbox.utils.imagenet_example()

#在Keras中，ResNet50使用BGR而不是默認的RGB

pred=fmodel.predictions(image[:,:,::-1])

print("label={}".format(np.argmax(pred)))

實例化JSMA演算法SaliencyMapAttack，進行定向攻擊，如果攻擊失敗會返回空，反之會返回生成的對抗樣本，設置最大迭代次數為2000，擾動參數theta為0.3，每個像素最大擾動次數為7。

fromfoolbox.criteriaimportTargetClassProbability

#定向攻擊標籤值為22

target=TargetClassProbability(22,p=0.5)

#定向攻擊

attack=foolbox.attacks.SaliencyMapAttack(fmodel,criterion=target)

#在Keras中，ResNet50使用BGR而不是默認的RGB

adversarial=attack(image[:,:,::-1],label,

max_iter=2000,

fast=True,

theta=0.3,

max_perturbations_per_pixel=7)

ifadversarialisNone:

print("Failtoadversarial")

else:

pred=fmodel.predictions(adversarial)

print("label={}".format(np.argmax(pred)))

經過最多2000輪迭代，JSMA定向攻擊成功，原模型識別為標籤22。如圖9-10所示，量化的擾動量l0為1%，l2為4%，其中修改的像素個數為1286。

ImageSize150528Shape(1,224,224,3)

NoiseL_0norm:12861%

NoiseL_2norm:6.7382664680480964%

NoiseL_infnorm:0.511718751%

圖9-10在FoolBox中使用JSMA演算法進行定向攻擊效果圖