CN110728297A - 一种基于gan的低代价对抗性网络攻击样本生成方法 - Google Patents

Abstract

本发明公开了一种基于GAN的低代价对抗性网络攻击样本生成方法，包括：步骤1，对样本集中样本的属性和标签进行编码；步骤2，根据编码后的样本的属性计算信息增益；步骤3，对抗样本生成模型训练；步骤4，生成用于攻击的对抗样本。本发明基于GAN的基本思想，通过计算样本的属性、标签和信息增益训练模型，可以实现扰动特征的自动化选择，以最小代价生成高效的对抗性网络攻击样本。

Description

一种基于GAN的低代价对抗性网络攻击样本生成方法

技术领域

本发明涉及网络安全领域，尤其是一种基于GAN的低代价对抗性网络攻击样本生成方法。

背景技术

近年来，人工智能算法逐渐被应用于网络安全领域，并在恶意软件检测、入侵检测、漏洞挖掘等方面表现出良好的性能。但由于人工智能算法存在易受对抗性攻击的特性，使得恶意软件检测、入侵检测等***容易受到恶意攻击者的对抗威胁。为此，研究者们纷纷提出了防御对抗性攻击的方法，其中，以基于生成对抗网络(generative adversarialnetwork，GAN)的方法居多，并且取得了不错的防御效果。但是，这些方法大多存在以下三个问题：

一、大多数方法聚焦于如何利用GAN提升检测算法的准确率，并不关注基于GAN的对抗攻击对网络攻击检测算法的攻击能力；

二、大多数方法源于针对图像的对抗样本生成方法，这些方法没有考虑到图像样本和网络数据样本之间的差异，即在网络数据中，不同属性对分类结果的重要程度不同；

三、这些方法没有考虑到生成对抗样本所付出的代价大小。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于GAN的低代价对抗性网络攻击样本生成方法。

本发明采用的技术方案如下：

一种基于GAN的低代价对抗性网络攻击样本生成方法，包括如下步骤：

步骤1，对样本集中样本的属性和标签进行编码；

步骤2，根据编码后的样本的属性计算信息增益；

步骤3，对抗样本生成模型训练：

步骤3-1，构建对抗样本生成模型；

步骤3-2，定义对抗样本生成模型的目标函数；

步骤3-3，采用步骤1的方法对网络数据样本集中样本的属性和标签进行编码；

步骤3-4，采用步骤2的方法根据编码后的网络数据样本集中样本的属性计算信息增益；

步骤3-5，将编码后的网络数据样本集中样本的属性和标签，以及信息增益输入步骤3-1构建的对抗样本生成模型，并利用目标函数进行训练；

步骤4，生成用于攻击的对抗样本：

步骤4-1，采用步骤1的方法对真实样本集中样本的属性和标签进行编码；

步骤4-2，采用步骤2的方法根据编码后的真实样本集中样本的属性计算信息增益；

步骤4-3，将编码后的真实样本集中样本的属性和标签，以及信息增益输入经步骤3训练好的对抗样本生成模型，得到编码的对抗样本属性矩阵；

步骤4-4，对编码的对抗样本属性矩阵进行解码得到对抗样本。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明基于GAN的基本思想，通过计算样本的属性、标签和信息增益训练模型，可以实现扰动特征的自动化选择，以最小代价生成高效的对抗性网络攻击样本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的基于GAN的低代价对抗性网络攻击样本生成方法的原理图。

图2为本发明的对抗样本生成模型的生成器的结构示意图。

图3为本发明的对抗样本生成模型的判别器的结构示意图。

图4为本发明的对抗样本生成模型的替代模型的结构示意图。

具体实施方式

以下结合实施例对本发明的特征和性能作进一步的详细描述。

如图1所示，本实施例一种基于GAN的低代价对抗性网络攻击样本生成方法，包括如下步骤：

步骤1，对样本集中样本的属性和标签进行编码：

步骤1-1，将样本集A用矩阵形式表示为

其中，m是样本集A中样本的总数量，n是样本集A中样本的属性总数量，x_i＝[x_i1，x_i2，…，x_ij，y_i]是样本集A中的第i个样本，x_ij是样本集A中第i个样本的第j个属性，y_i是样本集A中的第i个样本的标签；

步骤1-2，基于样本集A的矩阵形式对样本集A中样本的属性进行编码：

步骤1-2-1，基于样本集A的矩阵形式拆分出样本的离散值属性矩阵和连续值属性矩阵，包括：

初始化二维矩阵X_d＝[]，X_s＝[]，对样本集A中的第j列属性

若a_j是离散值属性，则将a_j添加到二维矩阵X_d中，得到离散值属性矩阵

若a_j是连续值属性，则将a_j添加到二维矩阵X_s中，得到连续值属性矩阵

其中，x_il是第i个样本的第l个离散值属性，x_iz第i个样本的第z个连续值属性，g是离散值属性的总数量，h是连续值属性的总数量，且g+h＝n；

步骤1-2-2，采用独热编码(One-Hot)的方法对离散值属性矩阵X_d进行编码，得到编码后的离散值属性矩阵X_{d_enc}；

对离散值属性矩阵X_d中的每一列初始化一维矩阵S_l＝[]，B_l＝[]，判断属性值x_il是否存在于S_l中，若x_il已存在于S_l中，则将x_il在S_l中的位置索引添加到B_l的结尾；否则。在S_l结尾添加x_il，并将x_il在S_l中的位置索引添加到B_l的结尾，得到

S_l＝[s₀ … d_u]，0≤u≤L-1

B_l＝[b₁ … b_i]，0≤i≤m-1

其中，L是S_l的长度，代表x_l中出现的不同的属性值的总数；

对离散值属性矩阵X_d中的每一列

的每一个属性值x_il的独热编码为：

x_{enc_il}＝[0，…，0，1，0，…，0]

其中，x_{enc_il}的长度是L，元素“1”所在位置的索引是B_l[i]。

对离散值属性矩阵X_d中的每一列

的独热编码为：

依次拼接离散值属性矩阵X_d中的每一列

的独热编码，得到编码后的离散值属性矩阵X_{d_enc}：

步骤1-2-3，将连续值属性矩阵X_s和编码后的离散值属性矩阵X_{d_enc}进行拼接，得到编码后的样本属性矩阵X_enc；即，

其中，N是编码后的样本属性的总数量，x_i是编码后的样本属性矩阵X_enc的第i个样本，x_ik是x_i的第i个属性值。

步骤1-3，基于样本集A的矩阵形式对样本集A中样本的标签进行编码：

步骤1-3-1，直接取出样本集A的标签，得到样本标签矩阵

步骤1-3-2，采用独热编码(One-Hot)的方法对样本标签矩阵Y进行编码，得到编码后的样本标签矩阵Y_enc；具体地，

初始化一维矩阵S_Y＝[]，B_Y＝[]，判断y_i是否存在于S_Y中。若y_i已存在于S_Y中，则将y_i在S_Y中的位置索引添加到B_Y的结尾；否则，在S_Y结尾添加y_i，并将x_il在S_Y中的位置索引添加到B_Y的结尾，得到

S_Y＝[s₀ … s_u]，0≤u≤L_Y-1

B_Y＝[b₁…b_i]，0≤i≤m-1

其中，L_Y是B_Y的长度，代表Y中出现的不同的标签值的总数；

对样本标签矩阵

中的每一个标签y_i的独热编码为：

y_{enc_i}＝[0，…，0，1，0，…，0]

其中，y_{enc_i}的长度是L_Y，元素“1”所在位置的索引是B_Y[i]；

对于样本标签矩阵Y，编码后的样本标签矩阵为：

步骤2，根据编码后的样本的属性计算信息增益：

步骤2-1，计算信息增益：

将编码后的样本属性矩阵X_enc中第k个属性用x_k表示，则各个属性对标签的信息增益gain_k：

gain_k＝Gain(y，x_k)＝Entropy(y)-Entropy(y|x_k)；

其中，

P_i表示第i类标签y在样本集中Y出现的概率；P_i(y|x_k)表示在样本属性x_k已知的情况下，第i类标签y在样本集中Y出现的概率；

步骤2-2，以一维矩阵形式存储所有样本属性的信息增益，即：

gain＝[gain₀，gain₁，…，gain_k]，0≤k≤N-1

其中，N是编码后的样本属性的总数量；

步骤3，对抗样本生成模型训练，本发明采用生成对抗网络(GAN)的基本思想，模型中包含生成器、判别器、替代模型：

步骤3-1，构建对抗样本生成模型：

步骤3-1-1，如图2所示，构建生成器；所述生成器包括：编码网络、解码网络、设置在编码网络和解码网络之间的两个残差块、以及用于输出的双曲正切(tanh)激活函数；

所述编码网络为一个由3个卷积层(Convolutional layer)、3个实例正则化层(Instance normalization layer)、3个线性整流层(Rectified Linear Unit layer，ReLUlayer)组成的堆栈，结构为依次设置的卷积层、实例正则化层、线性整流层、卷积层、实例正则化层、线性整流层、卷积层、实例正则化层和线性整流层；编码网络的输入是wxw的二维矩阵，如

编码网络将rx_i压缩为4x4的二维潜在空间表示矩阵，即

所述解码网络为一个由3个反卷积层(Convolutional transpose layer)、2个实例正则化层、2个线性整流层组成的堆栈，结构为依次设置的反卷积层、实例正则化层、线性整流层、反卷积层、实例正则化层、线性整流层和反卷积层；所述解码网络以4x4的二维矩阵t_x_i为输入，输出wxw的扰动的二维矩阵

本发明中，在编码网络和解码网络之间添加两个残差块(Resnet Block)，可以避免在加深网络深度的时候出现梯度消失或梯度***。最后，对解码网络的输出使用双曲正切(tanh)激活函数。

步骤3-1-2，如图3所示，构建判别器；所述判别器为一个由4个卷积层、2个批正则化层(Batch normalization)、3个Leaky ReLU层和sigmoid激活函数组成的堆栈，结构为依次设置的卷积层、Leaky ReLU层、卷积层、批正则化层、Leaky ReLU层、卷积层、批正则化层、Leaky ReLU层、卷积层和sigmoid激活函数；

所述判别器用于判断输入属于真实样本或对抗样本，即：判别器的输入是wxw的二维矩阵，如

输出整数判别结果

步骤3-1-3，如图4所示，构建替代模型；所述替代模型由4个卷积层、6个ReLU层、1个池化层(Pooling layer)、3个线性层(Linear layer)组成，结构为依次设置的卷积层、ReLU层、卷积层、ReLU层、卷积层、ReLU层、卷积层、ReLU层、池化层、线性层、ReLU层、线性层、ReLU层和线性层；

所述替代模型以wxw的二维矩阵rex_{adv_i}为输入，输出独热编码(One-Hot)形式的判别结果y_pred_i＝[0，…，0，1，0，…，0]，其中，y_pred_i的长度是L_Y，元素“1”所在位置的索引是替代模型判定的标签所在位置。

步骤3-2，定义对抗样本生成模型的目标函数：

步骤3-2-1，定义生成器的目标函数：

L_G＝αL_GAN+βL_adv+γL_t；

其中，α、β和γ是超参数，用于控制子目标函数L_GAN、L_adv和L_t之间的相关重要性；

表示生成器生成真实样本的损失；

表示对抗样本成功欺骗对抗样本生成模型的损失；

表示将样本的信息增益作为权值实现扰动特征的自动化选择；

x＝rx_i是真实样本，G(x)＝purx_i是生成器生成的扰动，t是目标分类，l表示训练替代模型的损失函数，gain是一维的样本属性的信息增益矩阵，其每个元素gain_k是样本中第k个属性的信息增益，x_adv是对抗样本；

步骤3-2-2，定义判别器的目标函数：

其中x＝rx_i是真实样本，G(x)＝purx_i是生成器生成的扰动，D表示判别器；

步骤3-3，采用步骤1的方法对网络数据样本集中样本的属性和标签进行编码，即得到编码后的属性矩阵X_enc和标签矩阵Y_enc；其中，网络数据样本集是训练对抗样本生成模型的测试集，可以选取历史存储的真实网络数据样本集，对于训练得到的对抗样本生成模型效果更好。

步骤3-4，采用步骤2的方法根据编码后的网络数据样本集中样本的属性计算信息增益，即得到信息增益矩阵gain；

步骤3-5，将编码后的网络数据样本集中样本的属性和标签，以及信息增益输入步骤3-1构建的对抗样本生成模型，并利用目标函数进行训练：

步骤3-5-1，对属性矩阵X_enc的每个样本x_i＝[x_i0 … x_ik]进行维度重塑：将k×1的一维矩阵x_i转换为wxw的二维矩阵rx_i：

其中，w是大于

的最小整数，并且，当j＞k-1时，x_ij＝0；

步骤3-5-2，将信息增益矩阵gain和二维矩阵rx_i输入生成器中，生成器输出扰动purx_i

步骤3-5-3，将扰动purx_i和二维矩阵rx_i叠加，得到对抗样本的属性矩阵rex_{adv_i}：

步骤3-5-4，将对抗样本的属性矩阵rex_{adv_i}和二维矩阵rx_i输入判别器，判别器判断输入是真实样本或是生成的样本，输出结果根据步骤3-2中的定义的目标函数计算损失L_D和L_GAN；判别器利用计算得到的损失L_D更新自身参数，同时将损失L_GAN反馈给生成器；

步骤3-5-5，将对抗样本的属性矩阵rex_{adv_i}、二维矩阵rx_i和标签矩阵y_enc输入替代模型，替代模型输出独热编码(One-Hot)形式的判别结果y_pred_i＝[0，…，0，1，0，…，0]，其中，y_pred_i的长度是L_Y，元素“1”所在位置的索引是判别器判定的标签所在位置，并反馈给生成器；生成器根据步骤3-2中定义的目标函数计算损失L_adv和L_t；

步骤3-5-6，生成器根据步骤3-2中定义的目标函数计算损失L_G，并根据L_G更新自身参数；

步骤3-5-7，将步骤3-5-1～步骤3-5-6重复执行epoch次，其中，epoch是超参数，最终得到基于GAN的对抗样本生成模型；

步骤4，生成用于攻击的对抗样本：

步骤4-1，采用步骤1的方法对真实样本集中样本的属性和标签进行编码；所述真实样本集可以是当前实时采集的真实网络数据样本集，为了方便描述，本实施例中将真实样本集表示为

其中，c是真实样本集B中样本的总数量，n是样本的属性数量；

则编码后的属性矩阵X_{b_enc}和标签矩阵Y_{b_enc}为：

其中，N是编码后的样本属性的总数量。

其中，y_{b_enc_i}＝[0，…，0，1，0，…，0]，且y_{b_enc_i}的长度为L_Y，元素“1”所在位置是真实标签所在的位置。

步骤4-2，采用步骤2的方法根据编码后的真实样本集中样本的属性计算信息增益，得到的信息增益矩阵表示为：

步骤4-3，将编码后的真实样本集中样本的属性和标签，以及信息增益输入经步骤3训练好的对抗样本生成模型，得到编码的对抗样本属性矩阵：

步骤4-3-1，将编码后的真实样本集中样本的属性和标签，以及信息增益(即属性矩阵X_{b_enc}、标签矩阵Y_{b_enc}和信息增益矩阵gain_b)输入经步骤3训练好的对抗样本生成模型，得到对抗样本属性矩阵rex_{adv_i}：

步骤4-3-2，根据步骤3-5-1进行的维度重塑，将对抗样本属性矩阵rex_{adv_i}进行逆向维度重塑，得到k×1的一维矩阵x_{adv_i}：

步骤4-3-3，拼接所有x_{adv_i}，得到编码后的对抗样本属性矩阵B_{adv_enc}：

步骤4-4，对编码的对抗样本属性矩阵进行解码得到对抗样本：

步骤4-4-1，根据步骤1-2-3的拼接过程，逆向拆分编码后的对抗样本属性矩阵B_{adv_enc}，得到编码后的对抗离散值属性矩阵B_{adv_d_enc}和对抗连续值属性矩阵B_{adv_s}；其中，

步骤4-4-2，根据步骤1-2-2的独热编码过程，逆向解码编码后的对抗离散值属性矩阵B_{adv_d_enc}，得到解码后的对抗离散值属性矩阵B_{adv_d_dec}：

其中，x_{adv_dec_il}表示一个离散值属性。

步骤4-4-3，根据步骤1-2-1的拆分过程，逆向拼接解码后的对抗离散值属性矩阵B_{adv_d_dec}、对抗连续值属性矩阵B_{adv_s}和

得到对抗样本矩阵B_adv：

其中，b_{adv_i}＝[x_{adv_i0} … x_{adv_ij} y_{b_i}]是B_adv的第i个样本。也就是说，对抗样本矩阵B_adv包括有i个对抗样本，可用于实施对抗性攻击的对抗性网络攻击样本集。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，包括如下步骤：

步骤1，对样本集中样本的属性和标签进行编码；

步骤2，根据编码后的样本的属性计算信息增益；

步骤3，对抗样本生成模型训练：

步骤3-1，构建对抗样本生成模型；

步骤3-2，定义对抗样本生成模型的目标函数；

步骤3-3，采用步骤1的方法对网络数据样本集中样本的属性和标签进行编码；

步骤3-4，采用步骤2的方法根据编码后的网络数据样本集中样本的属性计算信息增益；

步骤3-5，将编码后的网络数据样本集中样本的属性和标签，以及信息增益输入步骤3-1构建的对抗样本生成模型，并利用目标函数进行训练；

步骤4，生成用于攻击的对抗样本：

步骤4-1，采用步骤1的方法对真实样本集中样本的属性和标签进行编码；

步骤4-2，采用步骤2的方法根据编码后的真实样本集中样本的属性计算信息增益；

步骤4-3，将编码后的真实样本集中样本的属性和标签，以及信息增益输入经步骤3训练好的对抗样本生成模型，得到编码的对抗样本属性矩阵；

步骤4-4，对编码的对抗样本属性矩阵进行解码得到对抗样本。

2.根据权利要求1所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤1对样本集中样本的属性和标签进行编码的方法，包括如下子步骤：

步骤1-1，将样本集A用矩阵形式表示为 其中，m是样本集A中样本的总数量，n是样本集A中样本的属性总数量，x_i＝[x_i1，x_i2，…，x_ij，y_i]是样本集A中的第i个样本，x_ij是样本集A中第i个样本的第j个属性，y_i是样本集A中的第i个样本的标签；

步骤1-2，基于样本集A的矩阵形式对样本集A中样本的属性进行编码：

步骤1-2-1，基于样本集A的矩阵形式拆分出样本的离散值属性矩阵和连续值属性矩阵，包括：

初始化二维矩阵X_d＝[]，X_s＝[]，对样本集A中的第j列属性

若a_j是离散值属性，则将a_j添加到二维矩阵X_d中，得到离散值属性矩阵

若a_j是连续值属性，则将a_j添加到二维矩阵X_s中，得到连续值属性矩阵

其中，x_il是第i个样本的第l个离散值属性，x_iz第i个样本的第z个连续值属性，g是离散值属性的总数量，h是连续值属性的总数量，且g+h＝n；

步骤1-2-2，采用独热编码的方法对离散值属性矩阵X_d进行编码，得到编码后的离散值属性矩阵X_{d_enc}；

步骤1-2-3，将连续值属性矩阵X_s和编码后的离散值属性矩阵X_{d_enc}进行拼接，得到编码后的样本属性矩阵X_enc；

步骤1-3，基于样本集A的矩阵形式对样本集A中样本的标签进行编码：

步骤1-3-1，直接取出样本集A的标签，得到样本标签矩阵

步骤1-3-2，采用独热编码的方法对样本标签矩阵Y进行编码，得到编码后的样本标签矩阵Y_enc。

3.根据权利要求2所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤2根据编码后的样本的属性计算信息增益的方法，包括如下子步骤：

步骤2-1，计算信息增益：

将编码后的样本属性矩阵X_enc中第k个属性用x_k表示，则各个属性对标签的信息增益：

gain_k＝Gain(y，x_k)＝Entropy(y)-Entropy(y|x_k)；

其中，

P_i表示第i类标签y在样本集中Y出现的概率；P_i(y|x_k)表示在样本属性x_k已知的情况下，第i类标签y在样本集中Y出现的概率；

步骤2-2，以一维矩阵形式存储所有样本属性的信息增益，即：

gain＝[gain₀，gain₁，…，gain_k]，0≤k≤N-1

其中，N是编码后的样本属性的总数量。

4.根据权利要求3所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤3-1构建对抗样本生成模型的方法，包括如下子步骤：

步骤3-1-1，构建生成器；所述生成器包括：编码网络、解码网络、设置在编码网络和解码网络之间的两个残差块、以及用于输出的双曲正切激活函数；所述解码网络的结构为依次设置的卷积层、实例正则化层、线性整流层、卷积层、实例正则化层、线性整流层、卷积层、实例正则化层和线性整流层；所述解码网络的结构为依次设置的反卷积层、实例正则化层、线性整流层、反卷积层、实例正则化层、线性整流层和反卷积层；

步骤3-1-2，构建判别器；所述判别器的结构为依次设置的卷积层、Leaky ReLU层、卷积层、批正则化层、Leaky ReLU层、卷积层、批正则化层、Leaky ReLU层、卷积层和sigmoid激活函数；

步骤3-1-3，构建替代模型；所述替代模型的结构为依次设置的卷积层、ReLU层、卷积层、ReLU层、卷积层、ReLU层、卷积层、ReLU层、池化层、线性层、ReLU层、线性层、ReLU层和线性层。

5.根据权利要求4所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤3-2定义对抗样本生成模型的目标函数的方法，包括如下子步骤：

步骤3-2-1，定义生成器的目标函数：

L_G＝αL_GAN+βL_adv+γL_t；

其中，α、β和γ是超参数，用于控制子目标函数L_GAN、L_adv和L_t之间的相关重要性；

表示生成器生成真实样本的损失；

表示对抗样本成功欺骗对抗样本生成模型的损失；

表示将样本的信息增益作为权值实现扰动特征的自动化选择；

x＝rx_i是真实样本，G(x)＝purx_i是生成器生成的扰动，t是目标分类，l表示训练替代模型的损失函数，gain是一维的样本属性的信息增益矩阵，其每个元素gain_k是样本中第k个属性的信息增益，x_adv是对抗样本；

步骤3-2-2，定义判别器的目标函数：

其中x＝rx_i是真实样本，G(x)＝purx_i是生成器生成的扰动，D表示判别器。

6.根据权利要求5所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤3-5中将编码后的网络数据样本集中样本的属性和标签，以及信息增益输入步骤3-1构建的对抗样本生成模型，并利用目标函数进行训练的方法，包括如下子步骤：

步骤3-5-1，对属性矩阵X_enc的每个样本x_i＝[x_i0 … x_ik]进行维度重塑：将k×1的一维矩阵x_i转换为wxw的二维矩阵

其中，w是大于

的最小整数，并且，当j＞k-1时，x_ij＝0；其中，属性矩阵X_enc由步骤3-3得到；

步骤3-5-2，将信息增益矩阵gain和二维矩阵rx_i输入生成器中，生成器输出扰动

其中，信息增益矩阵gain由步骤3-4得到；

步骤3-5-3，将扰动purx_i和二维矩阵rx_i叠加，得到对抗样本的属性矩阵rex_{adv_i}；

步骤3-5-4，将对抗样本的属性矩阵rex_{adv_i}和二维矩阵rx_i输入判别器，判别器判断输入是真实样本或是生成的样本，输出结果

根据步骤3-2中的定义的目标函数计算损失L_D和L_GAN；判别器利用计算得到的损失L_D更新自身参数，同时将损失L_GAN反馈给生成器；

步骤3-5-5，将对抗样本的属性矩阵rex_{adv_i}、二维矩阵rx_i和标签矩阵y_enc输入替代模型，替代模型输出独热编码形式的判别结果y_pred_i＝[0，…，0，1，0，…，0]，其中，y_pred_i的长度是L_Y，元素“1”所在位置的索引是判别器判定的标签所在位置，并反馈给生成器；生成器根据步骤3-2中定义的目标函数计算损失L_adv和L_t；其中，标签矩阵y_enc由步骤3-3得到；

步骤3-5-6，生成器根据步骤3-2中定义的目标函数计算损失L_G，并根据L_G更新自身参数；

步骤3-5-7，将步骤3-5-1～步骤3-5-6重复执行epoch次，其中，epoch是超参数，最终得到基于GAN的对抗样本生成模型。

7.根据权利要求6所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤4-3中将编码后的真实样本集中样本的属性和标签，以及信息增益输入经步骤3训练好的对抗样本生成模型，得到编码的对抗样本属性矩阵的方法，包括如下子步骤：

步骤4-3-1，将编码后的真实样本集中样本的属性和标签，以及信息增益输入经步骤3训练好的对抗样本生成模型，得到对抗样本属性矩阵rex_{adv_i}：

步骤4-3-2，根据步骤3-5-1进行的维度重塑，将对抗样本属性矩阵rex_{adv_i}进行逆向维度重塑，得到kx1的一维矩阵x_{adv_i}：

步骤4-3-3，拼接所有x_{adv_i}，得到编码后的对抗样本属性矩阵B_{adv_enc}：

8.根据权利要求7所述的基于GAN的低代价对抗性网络攻击样本生成方法，其特征在于，所述步骤4-4中对编码的对抗样本进行解码得到对抗样本的方法，包括如下子步骤：

步骤4-4-1，根据步骤1-2-3的拼接过程，逆向拆分编码后的对抗样本属性矩阵B_{adv_enc}，得到编码后的对抗离散值属性矩阵B_{adv_denc}和对抗连续值属性矩阵B_{adv_s}；其中，

步骤4-4-2，根据步骤1-2-2的独热编码过程，逆向解码编码后的对抗离散值属性矩阵B_{adv_d_enc}，得到解码后的对抗离散值属性矩阵B_{adv_d_dec}：

步骤4-4-3，根据步骤1-2-1的拆分过程，逆向拼接解码后的对抗离散值属性矩阵B_{adv_d_dec}、对抗连续值属性矩阵B_{adv_s}和得到对抗样本矩阵B_adv：

其中，b_{adv_i}＝[x_{adv_i0} … x_{adv_ij} y_{b_i}]是B_adv的第i个样本。

Images