【技术实现步骤摘要】
对抗样本生成方法、装置、终端及可读存储介质
本专利技术涉及金融科技领域,尤其涉及一种对抗样本生成方法、装置、终端及可读存储介质。
技术介绍
目前在金融领域,人脸核身在业务中使用非常广泛,带来了极大便利。与此同时,这又要求人脸核身的具备极高的准确性和安全性。然而目前基于利益驱动,人脸核身业务极易遭受恶意攻击,攻击手段和方法也是多种多样。近些年深度学习的发展非常迅速,目前主流的人脸识别技术基本基于深度学习技术。在深度学习领域,有一类攻击技术被称为对抗攻击,它通过对输入样本故意添加一些人无法察觉的细微干扰生成新的图像样本(也称为对抗样本)作为输入,从而导致模型以高置信度输出错误的结果。例如:在人脸核身业务中,攻击者通过伪造对抗样本,使得模型对两个不同人的照片,识别成同一个人。现有模型除了面对对抗攻击时较为脆弱外,另一方面就是模型在精度得到极大提升的同时,模型对计算资源(存储资源和计算能力)的需求越来越大,导致在移动端、嵌入式端难以部署。目前的方法缺少同时考虑二者并进行高效解决的整体方案,模型的训练时间长且鲁棒性差。上述内容仅用于辅助理解本专利技术的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
本专利技术的主要目的在于提供一种对抗样本生成方法、装置、终端及可读存储介质,旨在解决现有兼顾模型压缩和对抗攻击的集成对抗训练过程中,无法高效的生成难样本,导致模型的训练时间长且鲁棒性差的技术问题。为实现上述目的,本专利技术提供一种对抗样本生成方法,所述的对抗样本生成方法包括以下步 ...
【技术保护点】
1.一种对抗样本生成方法,其特征在于,包括:/n获取对抗样本生成策略,基于所述对抗样本生成策略确定本次采样对应的目标教师模型以及目标攻击算法;/n基于所述目标教师模型以及所述目标攻击算法进行强化学习,得到中间对抗样本,并基于所述中间对抗样本优化所述对抗样本生成策略;/n基于所述中间对抗样本确定参与学生模型训练的对抗样本;/n基于优化后的对抗样本生成策略进行迭代强化学习训练,直到检测到迭代停止条件,迭代强化学习训练结束。/n
【技术特征摘要】
1.一种对抗样本生成方法,其特征在于,包括:
获取对抗样本生成策略,基于所述对抗样本生成策略确定本次采样对应的目标教师模型以及目标攻击算法;
基于所述目标教师模型以及所述目标攻击算法进行强化学习,得到中间对抗样本,并基于所述中间对抗样本优化所述对抗样本生成策略;
基于所述中间对抗样本确定参与学生模型训练的对抗样本;
基于优化后的对抗样本生成策略进行迭代强化学习训练,直到检测到迭代停止条件,迭代强化学习训练结束。
2.如权利要求1所述的对抗样本生成方法,其特征在于,所述基于所述目标教师模型以及所述目标攻击算法进行强化学习,得到中间对抗样本的步骤包括:
采用目标攻击算法基于所述目标教师模型生成中间对抗样本;
所述基于所述中间对抗样本优化所述对抗样本生成策略的步骤包括:
计算所述中间对抗样本对所述学生模型的攻破概率,基于所述攻破概率以及生成中间对抗样本的时间确定奖励值;
基于所述奖励值更新对抗样本生成策略。
3.如权利要求2所述的对抗样本生成方法,其特征在于,所述基于所述奖励值更新对抗样本生成策略的步骤包括:
基于所述奖励值控制所述控制器采样下次各教师模型的使用概率、各攻击算法的使用概率和使用参数;
根据所述下次各教师模型的使用概率、各攻击算法的使用概率和使用参数,更新所述对抗样本生成策略。
4.如权利要求2所述的对抗样本生成方法,其特征在于,所述基于所述中间对抗样本确定参与学生模型训练的对抗样本,包括:
获取中间对抗样本中各个对抗样本子集各自对应的奖励值,其中,所述中间对抗样本由各个对抗样本子集包括的对抗样本组成;
基于各个对抗样本子集各自对应的奖励值,确定被选中的预设数量的奖励值;
将被选中的预设数量的奖励值各自对应的对抗样本子集确定为参与学生模型训练的对抗样本。
5.如权利要求1所述的对抗样本生成方法,其特征在于,所述获取对抗样本生成策略,基于所述对抗样本生成策略确定本次采样对应的目标教师模型以及目标攻击算法的步骤之前,所述方法还包括:
基于本地训练数据对预设的中间教师模型进行训练,得到训练好的教师模型,其中,所述中间教师模型是基于公开样本库训练的教师模型;
获取对抗样本生成策略,基于所述对抗样本生成策略确定本次采样对应的目标教师模型以及目标攻击算法的步骤包括:
基于所述对抗样本生成策略在训练好的教师模型中确定所述目标教师模型,以及在预设的攻击算法表中确定所述目标攻击算法。
6.如权利要求1所述的对抗样本生成方法,其特征在于,所述基于优化后的对抗样本生成策略进行迭代强化学习训练,直到检测到迭代停止条件,迭代强化学习训练结束的步骤之后,所述方法还包括:
基于本地训练数据、所述对抗样本以及所述训练好的教师模型对所述学生模型同时进行蒸馏学习和对抗训练,得到总损失函数值;
通过所述总损失函数值将...
【专利技术属性】
技术研发人员:谭圣琦,吴泽衡,朱振文,
申请(专利权)人:深圳前海微众银行股份有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。