TF2中的对抗性攻击和防御库
我们提供了一个轻量级且对初学者友好的库，用于：
训练简单的图像分类器。
生成对抗性示例-扰动神经网络的输入会导致错误的输出。
通过防御这些攻击来构建更强大的分类器。
该库是检查代码和亲自尝试对抗示例的简单起点。 要更全面地了解本领域的最新技术，我们建议您查看 。
支持的数据集：
支持的攻击：
支持的防御：
安装
首先，将此存储库克隆到本地计算机上。
git clone https://github.com/summer-yue/adversarial_examples_tf2.git
使用setup.py文件导航到该目录，然后安装运行我们的代码所需的软件包。
pip install -e .
请注意，该库在及更高版本上运行。
开始使用
尝试在adversarial_examples_tf2 / experiments中运行我们的简单示例。
建立
2021-11-25 15:48:06
26KB
1
DNS攻击和防御方法总结与分析，权勇，，域名服务是IP网络应用中非常基础的网络应用，几乎其他所有的网络应用都是基于DNS服务的。由于DNS系统如此重要，因此对于该系统的攻�
2021-11-16 16:02:19
398KB
1
对抗样本：进攻与防守
最近，关于对抗性样本的研究是机器学习中的一个热门话题。 在此存储库中，我只想介绍一些生成对抗性样本的方法以及如何防御它们。
注意：还有许多其他有趣的方法，我将在以后的晚些时候进行更新。
安装
此处的所有方法都在Pytorch中实现。 我认为这里无需担心版本冲突。 我的代码很简单，不需要特殊的程序包。 您需要做的就是安装Pytorch（以及numpy，matplotlib等其他基本软件包）。
每个文件夹中的自述文件有点混乱！！！ 我将对其进行重组。
2021-09-29 11:03:26
61.4MB
1
对抗样本攻击与防御是最近几年兴起的一个研究热点,攻击者通过微小的修改生成对抗样本来使深度神经网络预测出错。生成的对抗样本可以揭示神经网络的脆弱性,并可以修复这些脆弱的神经网络以提高模型的安全性和鲁棒性。
2021-09-14 13:09:04
1.22MB
1