针对音频分类的跨表征可迁移对抗样本生成方法.pdfVIP

第11卷第2期网络与信息安全学报Vol.11No.2

2025年4月ChineseJournalofNetworkandInformationSecurityApril2025

针对音频分类的跨表征可迁移对抗样本生成方法

1121

田梓琳，龙云飞，田野，张立国

（1.哈尔滨工程大学计算机科学与技术学院，黑龙江哈尔滨150000；2.西安电子科技大学杭州研究院，浙江杭州310000）

摘要：对抗样本是检测深度神经网络漏洞的重要手段。可迁移性是对抗样本的一种特有属性，赋予其欺

骗未知深度神经网络模型的能力。针对音频分类任务的迁移攻击方法引起了广泛讨论。然而，现有的针对

音频分类的攻击方法大多数只考虑单一的音频表征，忽略了音频对抗样本从一维时域波形到二维梅尔谱图

的可迁移性。以波形分类模型作为替代模型生成的对抗样本无法成功攻击以梅尔谱图作为输入的模型。针

对这一问题，提出针对音频分类的跨表征可迁移对抗样本生成方法，通过线性组合两个以不同表征为输入

的替代模型的损失训练生成网络，使其能够生成具有跨表征和跨模型可迁移性的音频对抗样本。同时，通

过减少两个替代模型之间的预测差异，进一步增强对抗样本跨表征可迁移性。此外，利用生成网络输出对

抗性的训练替代模型，同步优化替代模型鲁棒性来提高对抗样本的跨模型可迁移性。在UrbanSound8k和

ShipsEar数据集上的大量实验结果表明，所提方法可以提高对抗样本的跨表征可迁移性，并显著优于现有

的迁移攻击。

关键词：对抗样本；迁移攻击；音频分类攻击；跨表征

中图分类号：TP393

文献标志码：A

DOI：10.11959/j.issn.2096-109x.2025022

Cross-representationtransferableadversarialexamples

generationforaudioclassification

1121

TIANZilin,LONGYunfei,TIANYe,ZHANGLiguo

1.CollegeofComputerScienceandTechnology，HarbinEngineeringUniversity,Harbin150000,China

2.HangzhouResearchInstituteofXidianUniversity,Hangzhou310000,China

Abstract:Adversarialexampleshavebeenusedasanimportanttoolfordetectingvulnerabilitiesindeepneuralnet‐

works.Theuniquepropertyoftransferabilityenablesthemtodeceiveblack-boxdeepneuralnetworkmodels.

Transfer-basedattackmethodsforaudioclassificationhaverecentlyattractedextensivediscussion.However,inthe

收稿日期：2024−08−27；修回日期：2025−01−16

通信作者：张立国，