2. 扩展攻击算法

2.1. 攻击算法类图

如上图所示，上图为攻击算法FGSM和攻击算法SPSA继承Attack类示意图。攻击算法内部可自行实现攻击过程具体函数，仅需覆写generate函数即可。

2.2. 攻击算法存储位置

├── EvalBox
│   ├── **Attack**
│   │   ├──AdvAttack  对抗攻击算法存储路径
│   │   │   ├──__init__.py
│   │   │   ├──attack.py
│   │   │   ├──fgsm.py
│   │   │   ├──....py
│   │   ├──CorAttack  噪声攻击算法存储路径
│   ├── Analysis
│   ├── Defense
│   ├── Evaluation
├── Models
├── utils
├── test
├── Datasets

2.3. 扩展实例——FGSM算法

FGSM算法路径为：

~/AISafety/EvalBox/Attack/fgsm.py

FGSM算法源代码:

import numpy as np
import torch
from torch.autograd import Variable
from EvalBox.Attack.AdvAttack.attack import Attack
from utils.CrossEntropyLoss import CrossEntropyLoss

class FGSM(Attack):
    def __init__(self, model=None, device=None,IsTargeted=None, **kwargs):
        '''
        @description: Fast Gradient Sign Method (FGSM)
        @param {
            model:需要测试的模型
            device: 设备(GPU)
            IsTargeted:是否是目标攻击
            kwargs: 用户对攻击方法需要的参数
        }
        @return: None
        '''
        super(FGSM, self).__init__(model, device,IsTargeted)
        #使用该函数时候，要保证训练模型的标签是从0开始，而不是1
        self.criterion = torch.nn.CrossEntropyLoss()
        self._parse_params(**kwargs)

    def _parse_params(self, **kwargs):
        '''
        @description:
        @param {
            epsilon:沿着梯度方向步长的参数
        }
        @return: None
        '''
        self.eps = float(kwargs.get('epsilon', 0.03))

    def generate(self, xs=None, ys=None):
        '''
        @description:
        @param {
            xs:原始的样本
            ys:样本的标签
        }
        @return: adv_xs{numpy.ndarray}
        '''
        device = self.device
        self.model.eval().to(device)
        targeted=self.IsTargeted
        print("targeted", targeted)
        copy_xs = np.copy(xs.numpy())
        var_xs = torch.tensor(copy_xs, dtype=torch.float,     device=device, requires_grad=True)
        var_ys = torch.tensor(ys, device=device)
        outputs = self.model(var_xs)
        preds = torch.argmax(outputs, 1)
        preds = preds.data.cpu().numpy()
        if targeted:
           loss = -self.criterion(outputs, var_ys)
        else:
            loss = self.criterion(outputs, var_ys)
        loss.backward()
        grad_sign = var_xs.grad.data.sign().cpu().numpy()
        copy_xs = np.clip(copy_xs + self.eps * grad_sign, 0.0, 1.0)
        adv_xs = torch.from_numpy(copy_xs)
        return adv_xs

2.4. 扩展说明

1. 用户需要实现个人攻击算法，并继承基础的Attack类
2. 用户需要将待扩展的攻击算法对应文件，如new_attack_method.py，放置于以下路径中

~/AISafety/EvalBox/Attack/

3. 用户需要在2中路径下的__init__.py文件中，添加用户攻击算法类的引用：

from .attack import Attack
from .fgsm import FGSM
...
from .new_attack_method import NEW_ATTACK_METHOD

4. 用户需要在test/attack_param路径下，生成个人预设参数txt文件，及参数xml文件。若仅需要默认参数，则xml文件可为空。
5. 用户可在集成调用文件testimport.py中，修改attack_method参数为NEW_ATTACK_METHOD