如何使用OpenAttack进行文本对抗攻击-黑客24小时在线接单的网站

有关OpenAttack

OpenAttack是一款专为文本对抗攻击设计方案的开源系统工具模块，该工具根据Python开发设计，可以解决文本对抗攻击的整个过程，包含预备处理文本、浏览总体目标客户模型、转化成对抗实例和评定攻击模型这些。

作用&应用

OpenAttack适用下列几个作用：

可扩展性：OpenAttack给予了便于应用的API，可以适用文本对抗攻击的整个过程;
全方位遮盖攻击模型种类：OpenAttack适用语句/英语单词/标识符级振荡和梯度方向/成绩/根据管理决策/盲攻击模型;
操作灵活性强&可拓展：我们可以轻轻松松攻击订制总体目标客户模型，或开发设计和评定订制的攻击模型;
综合性评定：OpenAttack可以从攻击实效性、对抗实例品质和攻击高效率等领域全方位评定攻击模型;

OpenAttack的运用范畴特别广，在其中包含但是不限于：

为攻击模型给予各种各样评定基准线;
应用其全方位评定指标值综合性评定攻击模型;
依靠通用性攻击部件，帮助迅速开发的攻击模型;
评定人工神经网络模型对各种各样对抗攻击的可扩展性;
根据应用转化成的对抗实例丰富多彩练习数据信息，开展对抗练习以提升人工神经网络模型的可扩展性;

工具控制模块

工具安裝

我们可以应用pip安装，或是复制该新项目源代码来安裝OpenAttack。

应用pip安装(强烈推荐)：

pipinstallOpenAttack

复制代码库：

gitclonehttps://github.com/thunlp/OpenAttack.git

cdOpenAttack

pythonsetup.pyinstall

安裝成功以后，我们可以试着运作“demo.py”来检验OpenAttack是不是可以正常的工作中：

应用样例

(1) 基本应用：使用内嵌攻击模型

OpenAttack内置了一些较常用的文本归类模型，如LSTM和BERT，及其用以文本分析的SST和用以自然语言理解逻辑推理的SNLI等数据。

下列字符串常量表明了怎么使用根据进化算法的攻击模型攻击SST数据上的BERT：

importOpenAttackasoa

#chooseatrainedvictimclassificationmodel

victim=oa.DataManager.load("Victim.BERT.SST")

#chooseanevaluationdataset

dataset=oa.DataManager.load("Dataset.SST.sample")

#chooseGeneticastheattackerandinitializeitwithdefaultparameters

attacker=oa.attackers.GeneticAttacker()

#prepareforattacking

attack_eval=oa.attack_evals.DefaultAttackEval(attacker,victim)

#launchattacksandprintattackresults

attack_eval.eval(dataset,visualize=True)

(2) 高級应用：攻击自定总体目标客户模型

下边的字符串常量表明了怎么使用根据进化算法的攻击模型攻击SST上的自定心态剖析模型：

importOpenAttackasoa

importnumpyasnp

fromnltk.sentiment.vaderimportSentimentIntensityAnalyzer

#configureaccessinterfaceofthecustomizedvictimmodel

classMyClassifier(oa.Classifier):

def._init__(self):

self.model=SentimentIntensityAnalyzer()

#accesstotheclassificationprobabilityscoreswithrespectinputsentences

defget_prob(self,input_):

rt=[]

forsentininput_:

rs=self.model.polarity_scores(sent)

prob=rs["pos"]/(rs["neg"] rs["pos"])

rt.append(np.array([1-prob,prob]))

returnnp.array(rt)

#choosethecostomizedclassifierasthevictimmodel

victim=MyClassifier()