AI安全之对抗样本入门

图书标准信息

• 作者 兜哥 著
• 出版社 机械工业出版社
• 出版时间 2019-06
• 版次 1
• ISBN 9787111626824
• 定价 129.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸

【内容简介】

第1章介绍了深度学习的基础知识，重点介绍了与对抗样本相关的梯度、优化器、反向传递等知识点。
  第2章介绍了如何搭建学习对抗样本的软硬件环境，虽然GPU不是必需的，但是使用GPU可以更加快速地验证你的想法。
  第3章概括介绍了常见的深度学习框架，从TensorFlow、Keras、PyTorch到MXNet。
  第4章介绍了图像处理领域的基础知识，这部分知识对于理解对抗样本领域的一些常见图像处理技巧非常有帮助。
  第5章介绍了常见的白盒攻击算法，从*基础的FGSM、DeepFool到经典的JSMA和CW。
  第6章介绍了常见的黑盒攻击算法。
  第7章介绍了对抗样本在目标识别领域的应用。
  第8章介绍了对抗样本的常见抵御算法，与对抗样本一样，抵御对抗样本的技术也非常有趣。
  第9章介绍了常见的对抗样本工具以及如何搭建NIPS 2017对抗防御环境和轻量级攻防对抗环境robust-ml，通过这章读者可以了解如何站在巨人的肩膀上，快速生成自己的对抗样本，进行攻防对抗。

【作者简介】

兜哥，百度安全实验室AI模型安全负责人，具有10余年安全从业经历，曾任百度基础架构安全负责人、Web安全产品线负责人。主要研究方向为对抗样本、生成对抗网络。著有AI安全畅销书籍《Web安全之机器学习入门》《Web安全之深度学习实战》《Web安全之强化学习与GAN》。著名开源AI安全工具箱AdvBox的作者，FreeBuf、雷锋网、安全客特邀专栏作家，知名安全自媒体“兜哥带你学安全”主编。

【目录】

对本书的赞誉

序一

序二

自序

前言

第1章　深度学习基础知识       1

1.1　深度学习的基本过程及相关概念      1

1.1.1　数据预处理       1

1.1.2　定义网络结构   2

1.1.3　定义损失函数   6

1.1.4　反向传递与优化器   7

1.1.5　范数   12

1.2　传统的图像分类算法   13

1.3　基于CNN的图像分类 14

1.3.1　局部连接   14

1.3.2　参数共享   15

1.3.3　池化   17

1.3.4　典型的CNN结构     18

1.3.5　AlexNet的结构 19

1.3.6　VGG的结构      19

1.3.7　ResNet50    20

1.3.8　InceptionV3       20

1.3.9　可视化CNN      20

1.4　常见性能衡量指标      30

1.4.1　测试数据   30

1.4.2　混淆矩阵   31

1.4.3　准确率与召回率       31

1.4.4　准确度与F1-Score    32

1.4.5　ROC与AUC     33

1.5　集成学习      34

1.5.1　Boosting算法    35

1.5.2　Bagging算法     37

1.6　本章小结      39

第2章　打造对抗样本工具箱    40

2.1　Anaconda      41

2.2　APT更新源  45

2.3　Python更新源      45

2.4　Jupyter notebook   45

2.5　TensorFlow    49

2.6　Keras     50

2.7　PyTorch 51

2.8　PaddlePaddle 52

2.9　AdvBox 52

2.10　GPU服务器       52

2.11　本章小结     55

第3章　常见深度学习平台简介       56

3.1　张量与计算图      56

3.2　TensorFlow    58

3.3　Keras     62

3.4　PyTorch 64

3.5　MXNet   67

3.6　使用预训练模型   70

3.7　本章小结      76

第4章　图像处理基础知识       77

4.1　图像格式      77

4.1.1　通道数与像素深度   77

4.1.2　BMP格式  80

4.1.3　JPEG格式 81

4.1.4　GIF格式    81

4.1.5　PNG格式   81

4.2　图像转换      81

4.2.1　仿射变换   81

4.2.2　图像缩放   83

4.2.3　图像旋转   85

4.2.4　图像平移   85

4.2.5　图像剪切   86

4.2.6　图像翻转   87

4.2.7　亮度与对比度   88

4.3　图像去噪      89

4.3.1　高斯噪声和椒盐噪声       90

4.3.2　中值滤波   91

4.3.3　均值滤波   93

4.3.4　高斯滤波   93

4.3.5　高斯双边滤波   94

4.4　本章小结      96

第5章　白盒攻击算法       97

5.1　对抗样本的基本原理   97

5.2　基于优化的对抗样本生成算法   100

5.2.1　使用PyTorch生成对抗样本    102

5.2.5　使用TensorFlow生成对抗样本      106

5.3　基于梯度的对抗样本生成算法   109

5.4　FGM/FGSM算法 110

5.4.1　FGM/FGSM基本原理      110

5.4.2　使用PyTorch实现FGM   111

5.4.3　使用TensorFlow实现FGM     112

5.5　DeepFool算法      115

5.5.1　DeepFool基本原理   115

5.5.2　使用PyTorch实现DeepFool    117

5.5.3　使用TensorFlow实现DeepFool      122

5.6　JSMA算法   124

5.6.1　JSMA基本原理 124

5.6.2　使用PyTorch实现JSMA 126

5.6.3　使用TensorFlow实现JSMA    129

5.7　CW算法       132

5.7.1　CW基本原理    132

5.7.2　使用TensorFlow实现CW       135

5.7.3　使用PyTorch实现CW     140

5.8　本章小结      142

第6章　黑盒攻击算法       143

6.1　单像素攻击算法   143

6.2　单像素攻击MNIST识别模型    146

6.3　本地搜索攻击算法      148

6.4　本地搜索攻击ResNet模型  151

6.5　迁移学习攻击算法      153

6.6　通用对抗样本      157

6.7　针对MNIST生成通用对抗样本 160

6.8　本章小结      163

第7章　对抗样本在目标检测领域的应用       164

7.1　目标检测的概念   164

7.2　目标检测在智能驾驶领域的应用      166

7.2.1　车道偏离预警   166

7.2.2　前向防碰撞预警       167

7.2.3　交通标志识别   167

7.2.4　行人防碰撞预警系统       167

7.2.5　驾驶员疲劳监测预警       168

7.2.6　自动泊车   169

7.3　目标检测在智能安防领域的应用      169

7.3.1　人脸检索   169

7.3.2　行为识别   170

7.4　边缘检测算法      171

7.4.1　Soble边缘检测  171

7.4.2　拉普拉斯边缘检测   174

7.4.3　Canny边缘检测 175

7.5　直线检测算法      176

7.6　圆形检测算法      181

7.7　RCNN系列算法   183

7.7.1　RCNN 183

7.7.2　Fast RCNN 185

7.7.3　Faster RCNN     185

7.7.4　TensorFlow目标检测库    187

7.7.5　Faster RCNN使用示例     191

7.8　YOLO算法   196

7.8.1　YOLO概述       196

7.8.2　YOLO使用示例       199

7.9　SSD算法      201

7.9.1　SSD概述   201

7.9.2　SSD使用示例   201

7.10　白盒攻击Faster RCNN      203

7.11　物理攻击YOLO概述 210

7.12　本章小结    213

第8章　对抗样本常见防御算法       214

8.1　对抗样本的鲁棒性      214

8.1.1　图像旋转对鲁棒性的影响       214

8.1.2　滤波器对鲁棒性的影响   220

8.1.3　对比度和亮度对鲁棒性的影响       225

8.1.4　噪声对鲁棒性的影响       230

8.2　抵御对抗样本攻击的常见方法   237

8.2.1　图像预处理       237

8.2.2　对抗训练   238

8.2.3　高斯数据增强   238

8.2.4　自编码器去噪   240

8.2.5　ICLR 2018提出的对抗样本抵御方法    245

8.3　本章小结      247

第9章　常见对抗样本工具箱简介    248

9.1　对抗样本常见衡量指标      248

9.1.1　l0范数       248

9.1.2　l2范数       249

9.1.3　linf范数     250

9.2　AdvBox 250

9.2.1　AdvBox简介     250

9.2.2　在AdvBox中使用FGSM算法       250

9.2.3　在AdvBox中使用DeepFool算法   252

9.2.4　在AdvBox中使用黑盒攻击算法    255

9.3　ART       257

9.3.1　ART简介   257

9.3.2　在ART中使用FGSM算法     258

9.3.3　ART下使用CW算法       260

9.4　FoolBox       262

9.4.1　FoolBox简介    262

9.4.2　在FoolBox中使用JSMA算法       263

9.4.3　在FoolBox中使用CW算法    264

9.5　Cleverhans    266

9.5.1　Cleverhans简介 266

9.5.2　在Cleverhans中使用FGSM算法   267

9.5.3　在Cleverhans中进行对抗训练       269

9.6　NIPS对抗攻击防御环境搭建     270

9.6.1　NIPS对抗攻击防御赛简介     270

9.6.2　环境搭建方法   270

9.6.3　运行测试代码   271

9.7　轻量级攻防对抗环境robust-ml  275

9.7.1　robust-ml简介   275

9.7.2　运行测试代码   276

9.8　本章小结      279