使用fuzz testing模块测试模型安全性

Linux Ascend GPU CPU 数据准备 模型开发 模型训练 模型调优 企业 高级

概述

传统软件的决策逻辑由代码逻辑决定，传统软件通过代码行覆盖率来判断当前测试是否充分，理想情况下覆盖率越高，代码测试越充分。然而，对于深度神经网络而言，程序的决策逻辑由训练数据、网络模型结构和参数通过某种黑盒机制决定，代码行覆盖率已不足以评估测试的充分性。需要根据深度网络的特点选择更为适合的测试评价准则，指导神经网络进行更为充分的测试，发现更多的边缘错误用例，从而确保模型的通用性、鲁棒性。

MindArmour的fuzz_testing模块以神经元覆盖率作为测试评价准则。神经元覆盖率，是指通过一组输入观察到的、激活的神经元数量和神经元输出值的范围。我们通过神经元覆盖率来指导输入变异，让输入能够激活更多的神经元，神经元值的分布范围更广，从而探索不同类型的模型输出结果、错误行为。

这里以LeNet模型，MNIST数据集为例，说明如何使用Fuzzer。

本例面向CPU、GPU、Ascend 910 AI处理器，你可以在这里下载完整的样例代码：https://gitee.com/mindspore/mindarmour/blob/r1.0/examples/ai_fuzzer/lenet5_mnist_fuzzing.py

实现阶段

导入需要的库文件

下列是我们需要的公共模块、MindSpore相关模块和fuzz_testing特性模块，以及配置日志标签和日志等级。

import numpy as np
from mindspore import Model
from mindspore import context
from mindspore.train.serialization import load_checkpoint, load_param_into_net

from mindarmour.fuzz_testing import Fuzzer
from mindarmour.fuzz_testing import ModelCoverageMetrics
from mindarmour.utils.logger import LogUtil

from examples.common.dataset.data_processing import generate_mnist_dataset
from examples.common.networks.lenet5.lenet5_net import LeNet5

LOGGER = LogUtil.get_instance()
TAG = 'Fuzz_testing'
LOGGER.set_level('INFO')

参数配置

配置必要的信息，包括环境信息、执行的模式。

context.set_context(mode=context.GRAPH_MODE, device_target="Ascend")

详细的接口配置信息，请参见context.set_context接口说明。

运用Fuzz Testing

建立LeNet模型，加载MNIST数据集，操作同模型安全

...
# Lenet model
model = Model(net)
# get training data
data_list = "../common/dataset/MNIST/train"
batch_size = 32
ds = generate_mnist_dataset(data_list, batch_size, sparse=False)
train_images = []
for data in ds.create_tuple_iterator():
    images = data[0].asnumpy().astype(np.float32)
    train_images.append(images)
train_images = np.concatenate(train_images, axis=0)

# get test data
data_list = "../common/dataset/MNIST/test"
batch_size = 32
ds = generate_mnist_dataset(data_list, batch_size, sparse=False)
test_images = []
test_labels = []
for data in ds.create_tuple_iterator():
    images = data[0].asnumpy().astype(np.float32)
    labels = data[1].asnumpy()
    test_images.append(images)
    test_labels.append(labels)
test_images = np.concatenate(test_images, axis=0)
test_labels = np.concatenate(test_labels, axis=0)

Fuzzer参数配置。

设置数据变异方法及参数。支持同时配置多种方法，目前支持的数据变异方法包含三类：

图像仿射变换方法：Translate、Scale、Shear、Rotate。
基于图像像素值变化的方法： Contrast、Brightness、Blur、Noise。
基于对抗攻击的白盒、黑盒对抗样本生成方法：FGSM、PGD、MDIIM。

数据变异方法中一定要包含基于图像像素值变化的方法。

前两种类型的图像变化方法，支持用户自定义配置参数，也支持算法随机选择参数。用于自定义参数配置范围请参考:https://gitee.com/mindspore/mindarmour/blob/r1.0/mindarmour/fuzz_testing/image_transform.py 中对应的类方法。算法随机选择参数，则params设置为'auto_param': [True]，参数将在推荐范围内随机生成。

基于对抗攻击方法的参数配置请参考对应的攻击方法类。

下面时变异方法及其参数配置的一个例子：

mutate_config = [{'method': 'Blur',
                  'params': {'radius': [0.1, 0.2, 0.3],
                             'auto_param': [True, False]}},
                 {'method': 'Contrast',
                  'params': {'auto_param': [True]}},
                 {'method': 'Translate',
                  'params': {'auto_param': [True]}},
                 {'method': 'Brightness',
                  'params': {'auto_param': [True]}},
                 {'method': 'Noise',
                  'params': {'auto_param': [True]}},
                 {'method': 'Scale',
                  'params': {'auto_param': [True]}},
                 {'method': 'Shear',
                  'params': {'auto_param': [True]}},
                 {'method': 'FGSM',
                  'params': {'eps': [0.3, 0.2, 0.4], 'alpha': [0.1]}}
                ]

设置评价指标，目前支持5种评价指标，包括:

通用评价指标：accuracy。
神经元覆盖率指标：kmnc， nbc，snac。
对抗攻击评价指标：attack_success_rate。也可以设置为‘auto’，默认使用所有评价指标。

eval_metrics =['accuracy', 'kmnc', 'attack_success_rate']

初始化种子队列，种子队列中的每个种子，包含2个值：原始图片、图片标签。这里取100个样本作为初始种子队列。

# make initial seeds
initial_seeds = []
for img, label in zip(test_images, test_labels):
    initial_seeds.append([img, label])
initial_seeds = initial_seeds[:100]

测试Fuzz测试前的神经元覆盖率。

segmented_num=1000
neuron_num=10
model_coverage_test = ModelCoverageMetrics(model, segmented_num, neuron_num, train_images)
model_coverage_test.calculate_coverage(np.array(test_images[:100]).astype(np.float32))
LOGGER.info(TAG, 'KMNC of this test is : %s', model_coverage_test.get_kmnc())

结果：

 KMNC of this test is : 0.0851

Fuzz测试。

eval_metrics = 'auto'
model_fuzz_test = Fuzzer(model, train_images, neuron_num, segmented_num)
_, _, _, _, metrics = model_fuzz_test.fuzzing(mutate_config, initial_seeds, eval_metrics=eval_metrics)

实验结果。

fuzzing的返回结果中包含了5个数据：fuzz生成的样本fuzz_samples、生成样本的真实标签true_labels、被测模型对于生成样本的预测值fuzz_preds、生成样本使用的变异方法fuzz_strategies、fuzz testing的评估报告metrics_report。用户可使用这些返回结果进一步的分析模型的鲁棒性。这里只展开metrics_report，查看fuzz testing后的各个评估指标。
```
if metrics:
	for key in metrics:
    LOGGER.info(TAG, key + ': %s', metrics[key])
```
Fuzz测试后结果如下：
```
Accuracy: 0.7929
Attack_success_rate: 0.3939
Neural_coverage_KMNC: 0.4797
```
Fuzz测试前种子的KMNC神经元覆盖率为8.5%，Fuzz后，KMNC神经元覆盖率为47.97%，神经元覆盖率提升，样本的多样性提升。Fuzz后，模型对于Fuzz生成样本的准确率为79.29%，使用了对抗攻击方法的样本，攻击成功率为39.39%。由于初始化种子、变异方法和相应的参数均为随机选择的，结果有一定的浮动是正常的。

原始图片：

Fuzz生成的变异图片：

fuzz_res