研究Hybrid Batch攻击方法用于寻找黑盒环境下的对抗例子，在有限查询次数下

摘要

本文探讨的场景为针对仅能通过API接口访问目标模型，而无法获取模型内部结构信息的黑盒攻击情形，并且每次对API的调用成本较高。此前针对黑盒攻击的研究主要包含两种方式：1）借助白盒攻击的方法进行转化，以生成对抗样本；2）采用基于优化算法的攻击策略。文章中提出了一种混合攻击方法，能够有效融合上述两种策略的优势。

Introduction

传统的黑盒攻击方式主要分为两类：第一类为迁移攻击，其具体操作是攻击者首先在本地模型中采用白盒攻击手段生成对抗样本，随后将这些样本迁移至目标模型中进行攻击。尽管此类迁移攻击仅需对目标模型进行一次查询即可完成，但无法确保由白盒攻击生成的样本能够成功迁移到目标模型上。这种迁移过程所带来的损失较为显著，特别是在有目标攻击场景下，该损失将进一步加剧。第二类为优化损失方法，该方法将攻击过程视为一个黑盒优化问题，但需要对目标模型执行大量查询操作。虽然这种方式能够确保攻击效果达到预期，但其查询次数过多的问题也较为突出。

相关研究综述

（1）攻击策略优化分析

基于优化的攻击方式，通常是指设定一个目标函数，并通过迭代的方式向输入数据中注入扰动，以实现对该目标函数的优化过程。此类攻击方法主要分为两类：一类是通过反复对目标模型进行查询，从而估算出目标函数的梯度信息；另一类则无需估计梯度。尽管这两种攻击方式都需要通过查询