AI模型安全测试

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Fuzzer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/r0.7/example/mnist_demo/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Fuzzer特性模块，以及配置日志标签和日志等级。

import sys

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

from lenet5_net import LeNet5
from mindarmour.fuzzing.fuzzing import Fuzzer
from mindarmour.fuzzing.model_coverage_metrics import ModelCoverageMetrics
from mindarmour.utils.logger import LogUtil

LOGGER = LogUtil.get_instance()
TAG = 'Fuzz_test'
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=cfg.device_target)

详细的接口配置信息，请参见context.set_context接口说明。

运用Fuzzer

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 = "./MNIST_unzip/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].astype(np.float32)
    train_images.append(images)
    train_images = np.concatenate(train_images, axis=0)

# get test data
data_list = "./MNIST_unzip/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].astype(np.float32)
    labels = data[1]
    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。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。

数据变异方法一定要包含基于图像像素值变化的方法。

前两种图像变化方法的可配置参数，以及推荐参数范围请参考：https://gitee.com/mindspore/mindarmour/blob/r0.7/mindarmour/fuzzing/image_transform.py对应的类方法，也可以均设置为'auto_param': True，变异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。

mutate_config = [{'method': 'Blur',
                  'params': {'auto_param': True}},
                 {'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, '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3个值：原始图片、图片标签。

# 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。

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。
```
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47.97%。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