白盒攻击

对抗机器学习是机器学习与安全领域交叉的一个重要研究方向，它主要研究如何通过精心构造的输入数据（即对抗样本）来欺骗机器学习模型，以及如何提高模型抵御此类攻击的能力。其核心在于利用模型学习决策边界中的脆弱性。深度神经网络等模型虽然在诸多任务上表现出色，但其高维、高度非线性的特性也导致了决策边界存在许多难以直观理解的“盲区”。攻击者通过向原始输入中添加人眼难以察觉…