实验原理验证：探究与验证方法

本实验主要阐述在局部解空间，有效样本服从高维独立高斯分布的问题。课题组先对有效进化算法的可行性进行了实验。同样，对于10 × 10 的循环对抗样本生成任务，使用有效进化算法进行有效样本定位实验。

图 4 − 3 − 15 所示为在 10 × 10 循环对抗样本生成任务中有效进化部分的实验结果，其中，图 4 − 3 − 15（a）所示为找到的初始有效样本统计，图4 − 3 − 15（b）所示为从初始有效样本到定位到一群（50 个）有效样本所需的迭代轮数。

图4−3−15　有效样本相关统计

（a）初始有效样本分布；（b）有效进化所需的轮数分布

表 4 − 3 − 2 所示为 10 × 10 循环对抗样本生成任务中，有效进化部分的实验结果。

表4−3−2　有效进化效果(www.xing528.com)

从图 4 − 3 − 15、表 4 − 3 − 2 可以看出，本节方法可以 100%找到初始有效样本，并且可以看出仅需要很少的初始有效样本就能很快定位到一群有效样本。在实验中发现，随着已有有效样本个数的增加，下一次迭代有效样本会增加得更快，这是一个良性循环。

在进行有效样本定位算法实现的过程中，完成了两个优化，在此具体展现优化效果。初始有效样本距离（SourceImage 距离）越短，则完成对抗样本生成工作所需的总查询次数越少。对比同时使用靠近目标投影和扩散高斯扰动的攻击策略、单独使用靠近目标投影的攻击策略和直接在TargetImage 附近加扰动策略对于查询次数的影响，采取10 × 10 循环对抗样本生成任务的前10 个对抗样本生成任务作为对比实验内容，具体实验数据如表 4 − 3 − 3 所示。

表4−3−3　有效样本定位优化对比

在有效样本定位优化实验中，使用的初始扰动σ为0.1 ，靠近目标投影操作中的步长为0.01，起始投影比例为0.5；扩散高斯扰动的步长为0.01，扩散上限为0.05，并且由于直接从目标图像开始扩散高斯扰动是没有意义的，所以没有单独对比扩散高斯扰动的实验效果。

可以明显看出，使用靠近目标投影的方法十分有效地降低了总查询次数。这充分验证了课题组的猜想，初始有效样本L2 距离越短，对抗样本生成工作需要的总查询次数越少。从实验数据上可以看出，查询次数减少了大约 30%，而扩散高斯扰动同样也具有一定的优化效果，优化效果约为5%。