Bewertung der adversarialen Robustheit: Ein Vergleich von FGSM-, Carlini-Wagner-Angriffen und der Rolle der Destillation als Abwehrmechanismus

Dieser technische Bericht beschäftigt sich mit einer eingehenden Untersuchung adversarialer Angriffe, die speziell auf Deep Neural Networks (DNNs) zur Bildklassifikation abzielen. Die Studie untersucht außerdem Abwehrmechanismen zur Erhöhung der Robustheit von Machine-Learning-Modellen. Der Fokus der Forschung liegt auf dem Verständnis der Auswirkungen zweier prominenter Angriffsmethoden: der Fast Gradient Sign Method (FGSM) und dem Carlini-Wagner (CW) Ansatz. Diese Angriffe werden in Bezug auf drei vortrainierte Bildklassifizierer untersucht: Resnext50₃2x4d, DenseNet-201 und VGG-19, unter Verwendung des Tiny-ImageNet-Datensatzes. Darüber hinaus schlägt die Studie die Robustheit der defensiven Destillation als Schutzmechanismus gegen FGSM- und CW-Angriffe vor. Dieser Abwehrmechanismus wird am CIFAR-10-Datensatz evaluiert, wobei CNN-Modelle, speziell resnet101 und Resnext50₃2x4d, als Lehrer- beziehungsweise Studentenmodelle dienen. Das vorgeschlagene Modell der defensiven Destillation zeigt Effektivität beim Abwehren von Angriffen wie FGSM. Es wird jedoch festgestellt, dass es gegenüber komplexeren Techniken wie dem CW-Angriff anfällig bleibt. Das Dokument präsentiert eine sorgfältige Validierung des vorgeschlagenen Verfahrens und liefert detaillierte, umfassende Ergebnisse, die die Wirksamkeit und Grenzen der eingesetzten Abwehrmechanismen erläutern. Durch rigorose Experimente und Analysen bietet die Studie Einblicke in die Dynamik adversarialer Angriffe auf DNNs sowie in die Wirksamkeit defensiver Strategien zur Abschwächung deren Auswirkungen.