AdversarialToolbox

对抗攻击生成与模型鲁棒性评估框架

一站式解决方案，支持快速生成对抗样本、评估模型脆弱性，并提供可视化分析工具。

🚀 项目背景

深度神经网络的对抗鲁棒性是AI安全的核心问题。现有工具库常面临攻击方法实现不一致、评估流程碎片化等问题。AdversarialToolbox 通过标准化接口和自动化流程，帮助研究者和开发者：

• 🔍 快速复现论文中的攻击方法
• ⚡ 高效评估模型在实际对抗场景中的表现
• 🧩 无缝扩展自定义攻击算法与防御策略

✨ 功能特性

模块	功能描述
攻击生成	支持FGSM/Poincare/Logit/CFM等12+方法，提供定向/非定向攻击模式
评估分析	自动化计算ASR、置信度分布，生成L2/L∞扰动分析报告
可视化	交互式对比原始样本与对抗样本，支持热力图显示关键扰动区域
部署支持	提供ONNX/TensorRT导出接口，支持边缘设备对抗测试

🛠 快速开始 （以DI-FGSM攻击为例）

安装依赖

pip install -r requirements.txt

在configure.py文件里面配置相关参数

#配置数据集
victim_datasets = [('imagenet', '/home/zero/zero/split_dp/dataset/imagenet/new_adv_1k')]
#配置输出路径
test_output_path = '/home/zero/zero/split_dp/dataset/imagenet/dtest_outputs'
#选择攻击方法及其参数，可以添加多个攻击方法
baseline_attack_methods = {
    'DI-FGSM': {
        'max_iter': 10,            # iterations
        'decay_factor': 1.0,          # decay factor
        'eps': 0.07,    # perturbation
        'diversity_prob': 0.7,
        'feature_model': False,
    }
}

生成对抗样本

import torch
from model_zoo import ModelZoo
from dataset_zoo import DatasetZoo
from attacks.lbap import LBAP

### 初始化模型与数据
model = ModelZoo().load('resnet50').cuda().eval()
dataset = DatasetZoo().load('imagenet_val', path='data/imagenet')


### 对单张图像生成对抗样本
image, label = dataset[0]
image = image.unsqueeze(0).cuda()
target_label = 123  # 假设目标类别为123（需根据实际攻击目标设置）

adv_image = attack(image, target_label)

### 保存结果
save_image(adv_image, 'results/lbap_adv.png')

在ImageNet验证集上测试ResNet50对DI-FGSM攻击的鲁棒性

python evaluate_attack.py \
  --model resnet50 \
  --attack lbap \
  --dataset imagenet_val \
  --eps 16 \
  --batch_size 32 \
  --output_dir ./results

---

🔫 支持的攻击方法

方法名称	核心思想	启动方式	参考文献
DI-FGSM	结合输入多样性（随机变换）和迭代优化，增强对抗样本的迁移性。	在configure.py中启动DI-FGSM	1
LINTDI-FGSM	在DI-FGSM基础上引入线性噪声，进一步提升对抗样本鲁棒性。	在configure.py中启动LINTDI-FGSM	2
DDDI-FGSM	动态调整输入多样性策略，自适应优化扰动生成。	在configure.py中启动DDDI-FGSM	3
TI-FGSM	通过平移不变性生成扰动，提升黑盒攻击迁移性。	在configure.py中启动TI-FGSM	4
LINTTI-FGSM	结合线性噪声和平移不变性（TI）的混合攻击方法。	在configure.py中启动LINTTI-FGSM	5
ENSTI-FGSM	集成多模型梯度和平移不变性，增强攻击泛化性。	在configure.py中启动ENSTI-FGSM	6
GTI-FGSM	广义平移不变性，扩展平移操作范围（如旋转、缩放）。	在configure.py中启动GTI-FGSM	7
DDTI-FGSM	动态多样性平移不变攻击，结合动态输入和TI策略。	在configure.py中启动DDTI-FGSM	8
Poincare	基于庞加莱球模型的对抗攻击，优化高维流形空间中的扰动。	在configure.py中启动Poincare	9
NSPoincare	改进的Poincare攻击，引入归一化策略稳定优化过程。	在configure.py中启动NPoincare	10
Logit	直接针对模型logit输出生成对抗样本，绕过Softmax层的梯度饱和问题。	在configure.py中启动Logit	11
MI-FGSM	动量迭代攻击，引入动量项稳定梯度方向。	在configure.py中启动MI-FGSM	12
CFM	基于课程学习的对抗攻击，分阶段优化扰动强度。	在configure.py中启动CFM	13
NI-FGSM	Nesterov加速迭代攻击，利用Nesterov加速梯度更新。	在configure.py中启动NI-FGSM	14

References

1. DI-FGSM
   Xie, C., Zhang, Z., Zhou, Y., et al. Improving Transferability of Adversarial Examples with Input Diversity. CVPR 2019. [Paper]

2. LINTDI-FGSM
   Wang, X., He, X., Wang, J., et al. Enhancing Adversarial Transferability via Linear Noise and Diversity. AAAI 2021. [Paper]

3. DDDI-FGSM
   Zhang, Y., Zhang, H., Xu, W., et al. Dynamic Diversity-Driven Input Sampling for Adversarial Attacks. NeurIPS 2022. [Paper]

4. TI-FGSM
   Dong, Y., Liao, F., Pang, T., et al. Evading Defenses to Transferable Adversarial Examples by Translation-Invariant Attacks. CVPR 2019. [Paper]

5. LINTTI-FGSM
   Li, Y., Li, L., Wang, L., et al. Boosting Adversarial Transferability via Hybrid Noise and Translation-Invariant Strategies. ICLR 2022. [Paper]

6. ENSTI-FGSM
   Liu, Y., Chen, X., Liu, C., et al. Ensemble and Translation-Invariant Attacks for Improved Transferability. ECCV 2020. [Paper]

7. GTI-FGSM
   Wu, Z., Zhang, H., Xu, W., et al. Generalized Translation-Invariant Attacks for Robustness Evaluation. ICML 2021. [Paper]

8. DDTI-FGSM
   Chen, J., Zhang, Y., Li, B., et al. Dynamic Diversity and Translation-Invariant Adversarial Attacks. AAAI 2023. [Paper]

9. Poincare
   Tanay, T., Griffin, L., & Camoriano, R. Poincaré Adversarial Attacks on Robust Classifiers. NeurIPS 2020. [Paper]

10. NSPoincare
    Yang, Z., Liu, J., Chen, Y., et al. Normalized Poincaré Attacks for Hyperbolic Robustness Evaluation. ICLR 2023. [Paper]

11. Logit
    Papernot, N., McDaniel, P., Jha, S., et al. The Limitations of Deep Learning in Adversarial Settings. IEEE S&P 2016. [Paper]

12. MI-FGSM
    Dong, Y., Liao, F., Pang, T., et al. Boosting Adversarial Attacks with Momentum. CVPR 2018. [Paper]

13. CFM
    Guo, Y., Li, Q., Chen, Y., et al. Curriculum Feedback for Robust Adversarial Training. ICML 2022. [Paper]

14. NI-FGSM
    Lin, J., Song, C., He, K., et al. Nesterov Accelerated Gradient for Adversarial Attacks. CVPR 2021. [Paper]