PyTorch实战：用FGSM攻击MNIST分类器（附可视化对比）

PyTorch实战：用FGSM攻击MNIST分类器的工业级测试指南

1. 对抗攻击的本质与工业测试价值

在计算机视觉安全领域，对抗样本正成为模型鲁棒性测试的重要工具。想象一下这样的场景：一个部署在银行系统中的手写数字识别模型，攻击者只需对支票上的数字做肉眼不可见的微小修改，就能让系统将"7"识别为"1"，造成资金误转——这正是FGSM（Fast Gradient Sign Method）攻击可能带来的安全威胁。

FGSM作为最经典的对抗攻击算法之一，其核心思想令人惊讶地简单：沿着损失函数梯度方向添加扰动。数学表达为：

perturbed_image = image + epsilon * sign(data_grad)

工业测试中关注三个关键指标：

• 攻击成功率：模型在对抗样本上的误判比例
• 扰动可见性：人眼能否察觉样本变化
• 计算效率：生成样本所需时间

下表对比了不同攻击方法的特性：

2. 实验环境搭建与模型准备

2.1 依赖安装与配置

pip install torch==1.12.1 torchvision==0.13.1 matplotlib==3.5.3

关键配置建议：

• 使用CUDA加速时，设置torch.backends.cudnn.benchmark = True
• 对于可复现性，固定随机种子：

torch.manual_seed(42)
np.random.seed(42)

2.2 LeNet模型实现

工业级实现需添加以下增强：

class RobustLeNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 32, 5, padding=2)  # 扩展通道数
        self.bn1 = nn.BatchNorm2d(32)
        self.conv2 = nn.Conv2d(32, 64, 5)
        self.bn2 = nn.BatchNorm2d(64)
        self.dropout = nn.Dropout2d(0.5)
        self.fc1 = nn.Linear(64*5*5, 256)
        self.fc2 = nn.Linear(256, 10)

    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.max_po