Attacks Toolbox

1. Adversarial Robustness Toolbox：
   1. pip install adversarial-robustness-toolbox
   2. such: from art.attacks.evasion import DeepFool
      1. art.attacks.evasion — Adversarial Robustness Toolbox 1.14.1 documentation
2. Torchattacks
   1. pip install torchattacks

   2. from torchattacks import FGSM

   3. eps=  */255
      1. torchattacks — torchattacks v3.4.0 documentation
3. CleverHans:
   1. pip install cleverhans
   2. cleverhans.torch.attacks
      1. 1. GitHub - cleverhans-lab/cleverhans: An adversarial example library for constructing attacks, building defenses, and benchmarking both
4. Foolbox:
   1. Welcome to Foolbox Native — Foolbox 3.3.3 documentation 

    5.  advertorch

         User Guide：Welcome to Advertorch — advertorch documentation

              1. advertorch.attacks — advertorch documentation

                AdverTorch: A toolbox for adversarial robustness research - Borealis AI

        例子：

from advertorch.attacks import LinfPGDAttack

adversary = LinfPGDAttack(
    model, loss_fn=nn.CrossEntropyLoss(reduction="sum"), eps=0.3,
    nb_iter=40, eps_iter=0.01, rand_init=True, clip_min=0.0, clip_max=1.0,
    targeted=False)

adv_untargeted = adversary.perturb(cln_data, true_label)

target = torch.ones_like(true_label) * 3
adversary.targeted = True
adv_targeted = adversary.perturb(cln_data, target)

这段代码片段使用 `advertorch` 库中的 LinfPGDAttack 来执行 L∞ 范数约束下的投射梯度下降攻击（L∞ PGD 攻击）。以下是代码片段的解释：

1. `LinfPGDAttack` 的导入：这里首先导入了 `advertorch` 库中的 `LinfPGDAttack` 类，该类用于实施 L∞ PGD 攻击。

2. 创建 `adversary` 对象：这段代码创建了一个 `adversary` 对象，用于执行对抗攻击。参数如下：

   - `model`：表示要攻击的目标模型。
   - `loss_fn`：表示损失函数，这里使用交叉熵损失函数（CrossEntropyLoss）来计算损失。
   - `eps`：是 L∞ 约束下的扰动幅度，设置为0.3，表示允许的最大像素值变化。
   - `nb_iter`：表示迭代次数，设置为40，攻击会在输入数据上进行40次迭代以生成对抗样本。
   - `eps_iter`：表示每次迭代的扰动幅度，设置为0.01。
   - `rand_init`：布尔值，如果设置为True，攻击将从一个随机初始化的扰动开始，否则从输入数据开始。
   - `clip_min` 和 `clip_max`：分别表示输入数据的最小和最大值，通常为0.0和1.0，以确保生成的对抗样本在合理范围内。

3. 生成非定向对抗样本：接下来，使用 `adversary.perturb` 方法生成非定向（untargeted）的对抗样本。这个对抗样本是使用 `cln_data`（干净数据）和 `true_label`（真实标签）作为输入来生成的。非定向攻击是指攻击者的目标是使模型的输出不正确，而不是将模型输出定向到特定的标签。

4. 生成定向对抗样本：然后，代码设置 `adversary.targeted` 为True，表示要执行定向攻击，攻击目标是 `target`（设置为标签3）。然后，使用 `adversary.perturb` 方法生成定向对抗样本，该攻击的目标是将模型的输出定向到标签3。

总之，这段代码执行了两种不同类型的对抗攻击：非定向攻击和定向攻击，使用 L∞ PGD 攻击方法来生成对抗样本，以检验目标模型的鲁棒性。攻击的目标可以是让模型输出错误的标签（非定向攻击），或者将模型的输出定向到特定的标签（定向攻击）。