基于FGSM的对抗样本生成算法

近年来，深度学习算法在各个领域都取得了极大的成功，给人们的生活带来了极大便利。然而深度神经网络由于其固有特性，用于分类任务时，存在不稳定性，很多因素都影响着分类的准确性，尤其是对抗样本的干扰，通过给图片加上肉眼不可见的扰动，影响分类器的准确性，给深度神经网络带来了极大的威胁。通过对相关对抗样本的研究，该文提出一种基于白盒攻击的对抗样本生成算法DCI-FGSM(Dynamic Change Iterative Fast Gradient Sign Method)。通过动态更新梯度及噪声幅值，可以防止模型陷入局部最优，提高了生成对抗样本的效率，使得模型的准确性下降。实验结果表明，在MINIST数据集分类的神经网络攻击上DCI-FGSM取得了显著的效果，与传统的对抗样本生成算法FGSM相比，将攻击成功率提高了25%,具有更高的攻击效率。