[发明专利]一种基于深度学习的HRRP对抗样本黑盒攻击方法

权利要求书

1.一种基于深度学习的HRRP对抗样本黑盒攻击方法，其特征在于，包括以下步骤：

S1、选取一个深度神经网络模型作为替代模型，并利用数据集对替代模型进行训练；

S2、选取样本，采用无目标或有目标通用扰动生成方法，以训练好的替代模型作为分类器，对数据集生成通用的无目标或有目标对抗扰动，并对数据集的每个样本生成无目标或有目标对抗样本；

S3、利用数据集对要攻击的黑盒模型进行训练；

S4、将步骤S2得到的无目标或有目标对抗样本对黑盒模型进行无目标或有目标攻击。

2.根据权利要求1所述的HRRP对抗样本黑盒攻击方法，其特征在于，步骤S1中的替代模型为MLP模型。

3.根据权利要求1所述的HRRP对抗样本黑盒攻击方法，其特征在于，步骤S3中黑盒模型采用的深度神经网络模型，为CNN模型。

4.根据权利要求1所述的HRRP对抗样本黑盒攻击方法，其特征在于，步骤S2中，首先根据聚合法，设定生成通用无目标对抗扰动选取的样本数为n，从数据集中随机选取n个样本，设定通用无目标对抗扰动的约束条件；根据二分法，基于FGSM算法，利用替代模型对这n个样本依次生成无目标对抗扰动；最后，根据聚合法将n个无目标对抗扰动聚合并约束到给定的约束条件下，获得通用无目标对抗扰动，并将这个通用无目标对抗扰动分别添加到数据集的每一个样本中获得无目标对抗样本。

5.根据权利要求1所述的HRRP对抗样本黑盒攻击方法，其特征在于，步骤S2中，首先根据迭代法，从数据集中随机选取一个样本，基于FGSM算法生成该样本对目标类别具有高置信度的有目标扰动；根据缩放法，设定通用有目标对抗扰动的约束条件，将扰动缩放到设定的扰动大小，获得通用有目标对抗扰动，并将这个通用有目标对抗扰动分别添加到数据集的每一个样本中获得有目标对抗样本。