基于动量迭代快速梯度符号的SAR-ATR深度神经网络黑盒攻击算法

作     者：万烜申 刘伟 牛朝阳 卢万杰 WAN Xuanshen;LIU Wei;NIU Chaoyang;LU Wanjie

作者机构：中国人民解放军战略支援部队信息工程大学数据与目标工程学院郑州450000 

出 版 物：《雷达学报（中英文）》 (Journal of Radars)

年 卷 期：2024年第13卷第3期

页      面：714-729页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(42201472) 

主　　题：合成孔径雷达 目标识别 黑盒攻击 拟双曲动量算子 斑点噪声变换 

摘      要：合成孔径雷达自动目标识别(SAR-ATR)领域缺乏有效的黑盒攻击算法,为此,该文结合动量迭代快速梯度符号(MI-FGSM)思想提出了一种基于迁移的黑盒攻击算法。首先结合SAR图像特性进行随机斑点噪声变换,缓解模型对斑点噪声的过拟合,提高算法的泛化性能;然后设计了能够快速寻找最优梯度下降方向的ABN寻优器,通过模型梯度快速收敛提升算法攻击有效性;最后引入拟双曲动量算子获得稳定的模型梯度下降方向,使梯度在快速收敛过程中避免陷入局部最优,进一步增强对抗样本的黑盒攻击成功率。通过仿真实验表明,与现有的对抗攻击算法相比,该文算法在MSTAR和FUSAR-Ship数据集上对主流的SAR-ATR深度神经网络的集成模型黑盒攻击成功率分别提高了3%~55%和6.0%~57.5%,而且生成的对抗样本具有高度的隐蔽性。