基于噪声溶解的对抗样本防御方法

深度神经网络在发展过程中暴露出的对抗攻击等安全问题逐渐引起了人们的关注和重视。然而,自对抗样本的概念提出后,针对深度神经网络的对抗攻击算法大量涌现,而深度神经网络自身的复杂性和不可解释性增大了防御攻击的难度。为了保证防御方法的普适性,以预处理方法为基本思路,同时结合对抗样本自身的特异性,提出一种新的对抗样本防御方法。考虑对抗攻击的隐蔽性和脆弱性,利用深度学习模型的鲁棒性,通过噪声溶解过程降低对抗扰动的攻击性和滤波容忍度。在滤波过程中,以对抗噪声贡献为依据自适应调整滤波范围及强度,有针对性地滤除对抗噪声,该方法不需要对现有深度学习模型进行修改和调整,且易于部署。实验结果表明,在ImageNet数据集下,该方法对经典对抗攻击方法L-BFGS、FGSM、Deepfool、JSMA及C&W的防御成功率均保持在80%以上,与JPEG图像压缩、APE-GAN以及图像分块去噪经典预处理防御方法相比,防御成功率分别提高9.25、14.86及14.32个百分点以上,具有较好的防御效果,且普适性强。     

油页岩有氧干馏过程的机理研究

常规的油页岩无氧干馏技术具有高能输入的缺点,因此本课题组发展了低能输入且无需高温热载体的有氧干馏技术。利用热重分析技术(TG-DTA),并结合拉曼和红外(FT-IR)等表征技术,研究了桦甸油页岩在不同过程中的分解特性。结果表明:在无氧条件下油页岩的热失重显著低于在有氧条件下的热失重,归于在无氧过程中产生大量的不能生成页岩油的残余碳。残余的碳与氧很容易发生反应并能放出大量热量,残余的碳与氧气反应释放出的热量高达油页岩总热值的35%,这部分热量远远高于油页岩热解所需的热量。最后,根据以上的分析结果,提出了油页岩有氧干馏过程可能的反应机理。