A Primer on Adversarial Examples (本の PDF はこちら)

adversarial examples を用いた攻撃手法とその防御手法のいくつかを検証するためのプログラム.
この検証実験のプログラムに関しては, 本の Appendix A にも補足説明を記載しているのでそちらも参照のこと.
本の TeX ファイルは 別のレポジトリ で管理していて, それを submodule として管理しているので, 本の内容に関する issue や PR は別レポジトリの方でよしなにやっていただけると嬉しい.

基本的に全部無料で公開していますが, 元々技術書典 8 で販売しようと思っていたもので, 役に立ったという方は BOOTH の商品 を購入していただけると私がハッピーになれます :moneybag: :moneybag: :moneybag:.

データ準備

CIFAR10 に関しては PyTorch の torchvision.datasets.CIFAR10 クラスをそのまま使用しているので準備は必要ない.

GTSRB に関しては以下の手順で準備をする.
本来は学習とテストの両方のデータを用いるべきだったが, テストデータのラベルが公開されてないと勘違いして学習データを split して使用している. 大勢に影響はないと考えているが, 余裕があればそのうち修正する.

• 公式ダウンロードページ のリンクを辿って GTSRB_Final_Training_Images.zip を ./data/ にダウンロード.
• zip ファイルを解凍.
• ./notebook/GTSRB_preprocessing.ipynb で前処理を実施.
• ./data/GTSRB_processed/ が実験で使用するデータとなる.
• (面倒であれば, 学習済みモデルを公開している Google Drive に前処理済みデータも格納している).

学習済みモデルの配布

学習済みモデルを Google Drive で共有している.
この model/ 以下にデータ毎に学習したモデルを格納している (上でも述べているように GTSRB_processed に関しては学習データの一部でのみ学習したものになっているので注意).

環境構築

Docker が使える環境を想定している.
自分が使う時はスクリプトを作成したり小さいモデルで試す場合は local で CPU 環境を用いて, 大きめのモデルを使う場合は Colaboratory の GPU 環境で notebook に移植したコードを実行している. (GPU インスタンスがあって PyTorch が使えるのであれば, notebook を介する必要はなく main.py をそのまま使える)

Docker image をビルドして環境を構築する.

docker build -t work -f Dockerfile .

作成した image を用いて container を作成する.

docker run -it --rm -v $PWD:/work -p 8888:8888 work

container に入ったら PyTorch や scikit-learn などがインストールされている work 環境に入る.

(in a docker container)
source activate work

検証実験

データに関係するクラスは data.py, モデルに関係するクラスは model.py で記述しているが, それ以外の主要なコードは全て main.py に集約されている.
構築した Anaconda の work 環境内で, 各種オプションを付与してこの main.py を実行することで各種実験が実施される.

具体例として, cifar10 のデータ通常の学習をして fgsm で作成した adversarial examples を使ったテストをしたい場合は以下のように実行する.

(in a docker container)
python main.py \
  --dataset cifar10 \
  --is_train \
  --model normal \
  --train_method none \
  --is_test \
  --test_method fgsm

別の例として, GTSRB_processed データで学習したモデル model_normal_ifgsm で, rfgsm で作成した adversarial examples でカーネル密度推定の実験とランダムリサイズと 0-padding の実験をしたい場合は以下のように実行する.

(in a docker container)
python main.py \
  --dataset GTSRB_processed \
  --model_name_for_test model_normal_ifgsm \
  --test_method fgsm \
  --is_kde_test \
  --is_random_crop_test

全オプションの説明は以下の通り.

• --log_dir (str)
  ./log と指定するとそのディレクトリにログファイルを出力する. 指定しなければ標準出力. デフォルトは指定なし.
• --dataset (enum)
  cifar10 or GTSRB_processed. デフォルトは cifar10.
• --is_train (bool)
  セットするとモデルを学習する. デフォルトはセットなし.
• --model (enum)
  simple or normal or normalSAP. デフォルトは simple.
• --train_method (enum)
  none は clean データで学習でそれ以外だと adversarial training で学習. none or fgsm or rfgsm or ifgsm or mifgsm. デフォルトは none.
• --epochs (int)
  学習時の epochs 数. デフォルトは 150.
• --batch_size (int)
  バッチサイズ. デフォルトは 32.
• --epsilon (float)
  摂動の大きさ. デフォルトは 4. /255.
• --alpha (float)
  R+FGSM のノイズの大きさ. デフォルトは 2. /255.
• --step (int)
  I+FGSM と MI+FGSM の繰り返し回数. デフォルトは 20.
• --use_atda_loss (bool)
  セットすると ATDA loss を使用する. デフォルトはセットなし.
• --is_test (bool)
  セットするとテストを実行する. デフォルトはセットなし.
• --model_name_for_test (str)
  テスト時に使用するモデル path を model_none_simple のように指定する. デフォルトは指定なし.
• --test_method (enum)
  テストデータ作成時の攻撃手法. none or fgsm or rfgsm or ifgsm or mifgsm. デフォルトは none.
• --is_kde_test (bool)
  セットするとカーネル密度推定の実験を実施. デフォルトはセットなし.
• --is_random_crop_test (bool)
  セットするとランダムリサイズと 0-padding の実験を実施. デフォルトはセットなし.