本技術(shù)涉及激光，特別是涉及一種針對(duì)激光模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊和防御方法。

背景技術(shù)：

1、激光技術(shù)的高速發(fā)展使得激光典型特性測(cè)量成為激光領(lǐng)域的重要科學(xué)問(wèn)題。模式分解是激光模式特性測(cè)量的一項(xiàng)重要技術(shù)，具有重要的研究?jī)r(jià)值。模式分解技術(shù)的目的是求解表示激光光束中每個(gè)本征模式振幅和相位數(shù)量關(guān)系的模式系數(shù)。

2、近幾年，深度神經(jīng)網(wǎng)絡(luò)被引入模式特性測(cè)量中解決模式分解問(wèn)題，經(jīng)訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)可以將近場(chǎng)和/或遠(yuǎn)場(chǎng)光斑圖片映射到模式系數(shù)，實(shí)現(xiàn)模式系數(shù)的間接測(cè)量。相較于空間和光譜分辨成像(s2)等模式系數(shù)直接測(cè)量方法，基于深度神經(jīng)網(wǎng)絡(luò)的間接測(cè)量方法具備實(shí)驗(yàn)設(shè)置簡(jiǎn)單、測(cè)量結(jié)果準(zhǔn)確和測(cè)量速度快的優(yōu)勢(shì)。

3、進(jìn)一步，基于模式分解深度神經(jīng)網(wǎng)絡(luò)可以構(gòu)建激光模式軟傳感器。軟傳感器的基本思想是應(yīng)用計(jì)算機(jī)技術(shù)，針對(duì)難于測(cè)量或暫時(shí)不能測(cè)量的重要變量(或稱之為主導(dǎo)變量)，選擇另外一些容易測(cè)量的變量(或稱之為輔助變量)，通過(guò)軟測(cè)量模型建立某種數(shù)學(xué)關(guān)系來(lái)推斷和估計(jì)，以軟件(軟傳感器或虛擬傳感器)來(lái)代替硬件(硬傳感器或物理傳感器)功能。激光模式軟傳感器有望實(shí)現(xiàn)激光模式連續(xù)測(cè)量，具有成本低、維護(hù)保養(yǎng)簡(jiǎn)單等優(yōu)點(diǎn)，在激光制造等工業(yè)領(lǐng)域或高能激光等大項(xiàng)科學(xué)工程中有廣闊的應(yīng)用前景。

4、鑒于工業(yè)和大項(xiàng)科學(xué)工程的嚴(yán)格使用要求，基于深度神經(jīng)網(wǎng)絡(luò)的軟傳感器應(yīng)具有高度安全性和穩(wěn)定性。然而，最近的研究表明，深度神經(jīng)網(wǎng)絡(luò)很容易受到對(duì)抗性樣本的對(duì)抗性攻擊：攻擊者通過(guò)對(duì)模型原始輸入施加精心設(shè)計(jì)的微小擾動(dòng)制造對(duì)抗樣本，對(duì)抗樣本可以欺騙這些模型給出錯(cuò)誤的結(jié)果，進(jìn)一步可能誤導(dǎo)技術(shù)人員執(zhí)行錯(cuò)誤的操作。這種現(xiàn)象可能會(huì)給軟傳感器的實(shí)際應(yīng)用帶來(lái)嚴(yán)重的安全問(wèn)題。因此，基于深度學(xué)習(xí)網(wǎng)絡(luò)的軟傳感器走向?qū)嶋H應(yīng)用，除測(cè)量精度、測(cè)量速度外，還必須考慮模型對(duì)抗性魯棒性。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)需求，提供一種能夠有效提高對(duì)抗魯棒性的針對(duì)激光模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊和防御方法。

2、一種針對(duì)激光模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊和防御方法，所述方法包括：

3、構(gòu)建模式分解訓(xùn)練數(shù)據(jù)集，利用所述模式分解訓(xùn)練數(shù)據(jù)集對(duì)給定的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到模式分解深度神經(jīng)網(wǎng)絡(luò)，所述模式分解深度神經(jīng)網(wǎng)絡(luò)具備以單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片作為輸入，預(yù)測(cè)激光模式系數(shù)的能力；

4、基于對(duì)抗攻擊算法構(gòu)建對(duì)抗樣本數(shù)據(jù)集，利用所述對(duì)抗樣本數(shù)據(jù)集對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估；

5、若評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求，則采用對(duì)抗防御算法提升所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性。

6、在其中一實(shí)施例中，在構(gòu)建模式分解訓(xùn)練數(shù)據(jù)集時(shí)，采用仿真方法，包括：

7、根據(jù)給定的激光物理參數(shù)進(jìn)行計(jì)算，得到激光模式，并隨機(jī)生成激光模式的模式系數(shù)；

8、將所述激光模式和模式系數(shù)進(jìn)行加權(quán)疊加求模，得到對(duì)應(yīng)的激光近場(chǎng)光斑強(qiáng)度分布，并存儲(chǔ)成圖片格式，得到激光近場(chǎng)光斑仿真圖片；

9、將所述激光模式和模式系數(shù)加權(quán)疊加后進(jìn)行傅里葉變換再求模，得到激光遠(yuǎn)場(chǎng)光斑強(qiáng)度分布，并存儲(chǔ)成圖片格式，得到激光遠(yuǎn)場(chǎng)光斑仿真圖片；

10、將所述激光近場(chǎng)光斑仿真圖片以及對(duì)應(yīng)的模式系數(shù)組成一組訓(xùn)練樣本，或?qū)⒓す饨鼒?chǎng)和遠(yuǎn)場(chǎng)光斑仿真圖片以及對(duì)應(yīng)的模式系數(shù)組成一組訓(xùn)練樣本，根據(jù)多組訓(xùn)練樣本構(gòu)建得到所述模式分解訓(xùn)練數(shù)據(jù)集。

11、在其中一實(shí)施例中，采用構(gòu)建模式分解訓(xùn)練數(shù)據(jù)集時(shí)的仿真方法，構(gòu)建模式分解測(cè)試數(shù)據(jù)集，利用所述模式分解測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練后的模式分解深度神經(jīng)網(wǎng)絡(luò)進(jìn)行精度測(cè)試，確認(rèn)訓(xùn)練后的模式分解深度神經(jīng)網(wǎng)絡(luò)具備預(yù)測(cè)激光模式系數(shù)的能力。

12、在其中一實(shí)施例中，基于對(duì)抗攻擊算法構(gòu)建對(duì)抗樣本數(shù)據(jù)集時(shí)，采用仿真方法和實(shí)驗(yàn)方法；

13、所述仿真方法包括：采用所述對(duì)抗攻擊算法在模式分解測(cè)試數(shù)據(jù)集中的激光光斑圖片中添加對(duì)抗擾動(dòng)，所述對(duì)抗攻擊算法攻擊邏輯為最大化損失梯度及最小化光斑圖片失真度，攻擊方式包括白盒攻擊和黑盒攻擊；

14、將添加對(duì)抗擾動(dòng)后的激光近場(chǎng)光斑仿真圖片以及對(duì)應(yīng)的模式系數(shù)組成一組仿真對(duì)抗樣本，或?qū)⑻砑訉?duì)抗擾動(dòng)后的激光近場(chǎng)和遠(yuǎn)場(chǎng)光斑仿真圖片以及對(duì)應(yīng)的模式系數(shù)組成一組仿真對(duì)抗樣本，根據(jù)多組仿真對(duì)抗樣本構(gòu)建仿真對(duì)抗樣本數(shù)據(jù)集；

15、所述實(shí)驗(yàn)方法包括：通過(guò)實(shí)驗(yàn)，得到激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑測(cè)量圖片；

16、采用所述對(duì)抗攻擊算法在所述激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑測(cè)量圖片中添加對(duì)抗擾動(dòng)，將添加對(duì)抗擾動(dòng)后的激光近場(chǎng)光斑測(cè)量圖片以及對(duì)應(yīng)的激光近場(chǎng)光斑測(cè)量圖片組成一組實(shí)驗(yàn)對(duì)抗樣本，或?qū)⑻砑訉?duì)抗擾動(dòng)后的激光近場(chǎng)和遠(yuǎn)場(chǎng)光斑測(cè)量圖片以及對(duì)應(yīng)的激光光斑測(cè)量圖片組成一組實(shí)驗(yàn)對(duì)抗樣本，根據(jù)多組實(shí)驗(yàn)對(duì)抗樣本構(gòu)建實(shí)驗(yàn)對(duì)抗樣本數(shù)據(jù)集。

17、在其中一實(shí)施例中，利用所述對(duì)抗樣本數(shù)據(jù)集對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估時(shí)：

18、當(dāng)采用仿真方法得到對(duì)抗樣本數(shù)據(jù)集時(shí)，則將一組仿真對(duì)抗樣本中的激光光斑圖片輸入至所述模式分解深度神經(jīng)網(wǎng)絡(luò)，得到激光模式系數(shù)預(yù)測(cè)值；

19、計(jì)算所述激光模式系數(shù)預(yù)測(cè)值，與該組仿真對(duì)抗樣本中的模式系數(shù)之間的差異；

20、若計(jì)算結(jié)果大于預(yù)設(shè)閾值，則所述評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求；

21、當(dāng)采用實(shí)驗(yàn)方法得到對(duì)抗樣本數(shù)據(jù)集時(shí)，則將一組實(shí)驗(yàn)對(duì)抗樣本中的添加對(duì)抗擾動(dòng)后的激光光斑圖片輸入至所述模式分解深度神經(jīng)網(wǎng)絡(luò)，得到激光模式系數(shù)預(yù)測(cè)值；

22、根據(jù)所述激光模式系數(shù)預(yù)測(cè)值對(duì)激光光斑圖片進(jìn)行重構(gòu)，得到重構(gòu)激光光斑圖片；

23、計(jì)算所述重構(gòu)激光光斑圖片，與該組實(shí)驗(yàn)對(duì)抗樣本中的激光光斑測(cè)量圖片之間的差異；

24、若計(jì)算結(jié)果大于預(yù)設(shè)閾值，則所述評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求。

25、在其中一實(shí)施例中，在對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估時(shí)：

26、采用單一指標(biāo)實(shí)現(xiàn)對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性評(píng)估；或

27、采用多種指標(biāo)及指標(biāo)聚合方法實(shí)現(xiàn)對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性評(píng)估。

28、在其中一實(shí)施例中，所述采用對(duì)抗防御算法提升所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性時(shí)，所述對(duì)抗防御算法包括對(duì)抗訓(xùn)練和魯棒關(guān)鍵微調(diào)；

29、所述對(duì)抗訓(xùn)練使用所述仿真對(duì)抗樣本數(shù)據(jù)集與模式分解訓(xùn)練數(shù)據(jù)集混合得到的對(duì)抗訓(xùn)練數(shù)據(jù)集，對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)進(jìn)行二次訓(xùn)練，直至收斂，得到所述對(duì)抗魯棒性提升的深度神經(jīng)網(wǎng)絡(luò)；

30、所述魯棒關(guān)鍵微調(diào)通過(guò)微調(diào)深度神經(jīng)網(wǎng)絡(luò)的非魯棒關(guān)鍵性模塊，得到所述對(duì)抗魯棒性提升的深度神經(jīng)網(wǎng)絡(luò)。

31、本技術(shù)還提供了一種激光模式系數(shù)測(cè)量軟傳感器，所述激光模式測(cè)量軟傳感器包括激光光斑圖片采集單元以及模式系數(shù)軟測(cè)量單元，其中，所述模式系數(shù)軟測(cè)量單元設(shè)置有，根據(jù)上述的針對(duì)激光模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊和防御方法得到的所述對(duì)抗魯棒性提升的深度神經(jīng)網(wǎng)絡(luò)；

32、所述激光光斑圖片采集單元，用于采集單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片；

33、所述模式系數(shù)軟測(cè)量單元，用于利用所述對(duì)抗魯棒性提升的深度神經(jīng)網(wǎng)絡(luò)根據(jù)所述單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片，得到對(duì)應(yīng)的模式系數(shù)。

34、在其中一實(shí)施例中，所述模式系數(shù)軟測(cè)量單元還包括用于接收控制指令和展示模式分解結(jié)果的可視化界面。

35、一種針對(duì)激光模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊和防御方法裝置，所述裝置包括：

36、模式分解深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于構(gòu)建模式分解訓(xùn)練數(shù)據(jù)集，利用所述模式分解訓(xùn)練數(shù)據(jù)集對(duì)給定的深度神經(jīng)網(wǎng)絡(luò)框架進(jìn)行訓(xùn)練，得到模式分解深度神經(jīng)網(wǎng)絡(luò)，所述模式分解深度神經(jīng)網(wǎng)絡(luò)具備以單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片作為輸入，預(yù)測(cè)激光模式系數(shù)的能力；

37、模式分解深度神經(jīng)網(wǎng)絡(luò)評(píng)估模塊，用于采用對(duì)抗攻擊算法在原激光光斑圖片中添加擾動(dòng)生成對(duì)抗樣本圖片，利用所述對(duì)抗樣本圖片對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估；

38、對(duì)抗魯棒性增強(qiáng)模塊，用于若評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求，則采用對(duì)抗防御算法提升所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性。

39、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

40、構(gòu)建模式分解訓(xùn)練數(shù)據(jù)集，利用所述模式分解訓(xùn)練數(shù)據(jù)集對(duì)給定的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到模式分解深度神經(jīng)網(wǎng)絡(luò)，所述模式分解深度神經(jīng)網(wǎng)絡(luò)具備以單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片作為輸入，預(yù)測(cè)激光模式系數(shù)的能力；

41、基于對(duì)抗攻擊算法構(gòu)建對(duì)抗樣本數(shù)據(jù)集，利用所述對(duì)抗樣本數(shù)據(jù)集對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估；

42、若評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求，則采用對(duì)抗防御算法提升所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性。

43、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

44、構(gòu)建模式分解訓(xùn)練數(shù)據(jù)集，利用所述模式分解訓(xùn)練數(shù)據(jù)集對(duì)給定的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到模式分解深度神經(jīng)網(wǎng)絡(luò)，所述模式分解深度神經(jīng)網(wǎng)絡(luò)具備以單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片作為輸入，預(yù)測(cè)激光模式系數(shù)的能力；

45、基于對(duì)抗攻擊算法構(gòu)建對(duì)抗樣本數(shù)據(jù)集，利用所述對(duì)抗樣本數(shù)據(jù)集對(duì)所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估；

46、若評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求，則采用對(duì)抗防御算法提升所述模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性。

47、上述針對(duì)激光模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊和防御方法，通過(guò)利用構(gòu)建得到的模式分解訓(xùn)練數(shù)據(jù)集對(duì)給定的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到模式分解深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)具備以單張激光近場(chǎng)光斑圖片，或激光近場(chǎng)及遠(yuǎn)場(chǎng)光斑雙圖片作為輸入預(yù)測(cè)激光模式系數(shù)的能力，基于對(duì)抗攻擊算法構(gòu)建對(duì)抗樣本數(shù)據(jù)集，利用對(duì)抗樣本數(shù)據(jù)集對(duì)模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估，若評(píng)估結(jié)果為對(duì)抗魯棒性不符合要求，則采用對(duì)抗防御算法提升模式分解深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性。采用本方法可以在對(duì)深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性進(jìn)行評(píng)估的同時(shí)，還可以對(duì)其進(jìn)行訓(xùn)練，以提高其對(duì)抗魯棒性。