基于梯度优化的黑箱边界攻击

深度神经网络在计算机视觉中得到了广泛应用，在图像分类等基础研究任务中取得了显著成功。然而，这些网络在面对对抗攻击时其鲁棒性面临严重挑战。在现实场景中，解决硬标签攻击通常需要执行数以万计的查询。为应对这些挑战，提出了基于梯度优化的黑箱边界攻击（GOBA）。该方法采用二分搜索策略获取具有显著扰动的初始对抗样本。使用蒙特卡洛算法估计样本的梯度，便于沿估计的梯度和恶意标签的方向进行迭代移动。此外，提取与梯度正相关的查询向量以构建具有最佳规模的采样空间，从而提高蒙特卡洛算法的效率。实验评估分别使用HSJA、QEBA和NLBA攻击方法在ImageNet、CelebA和MNIST数据集上进行。结果表明，在3千次查询的限制下，与其他方法相比，GOBA的扰动（L2距离）平均减少了55.74%，同时攻击成功率平均提高了13.78%。