买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利面向深度学习模型鲁棒性检测的集成搜索黑盒攻击方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118132413B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311856240.7，技术领域涉及：G06F11/3668；该发明授权面向深度学习模型鲁棒性检测的集成搜索黑盒攻击方法是由杨力;梁欣奕设计研发完成，并于2023-12-29向国家知识产权局提交的专利申请。

本面向深度学习模型鲁棒性检测的集成搜索黑盒攻击方法在说明书摘要公布了：本发明提出了一种面向深度学习模型鲁棒性检测的集成搜索黑盒攻击方法，实现步骤为：获取低噪声扰动图像集；构建集成搜索模型；对集成搜索模型进行搜索；获取黑盒攻击结果；对扰动像素数量和权重参数进行更新。本发明通过搜索所构建包含多个代理模型的集成搜索模型，并通过加权集合损失函数优化搜索得到的低噪声扰动图像，以获取优化后的具有较高迁移性的低噪声扰动图像，提高了模型鲁棒性的检测成功率，且对每幅优化后的低噪声扰动图像进行类别查询，通过更新扰动像素数量和权重参数，并更新一个代理模型的权重参数，使得低噪声扰动图像朝着欺骗黑盒目标模型的方向优化，提高了低噪声扰动图像的迁移性，进而提高了模型鲁棒性的检测效率。

本发明授权面向深度学习模型鲁棒性检测的集成搜索黑盒攻击方法在权利要求书中公布了：1.一种面向深度学习模型鲁棒性检测的集成搜索黑盒攻击方法，其特征在于，包括如下步骤： 1获取低噪声扰动图像集： 获取包含C个图像类别且带类别标签的H幅二维原始图像T＝{T1,T2,....,Th,....,TH}，并对每幅原始图像中的K个像素进行低噪声扰动，得到H幅低噪声扰动图像X＝{x1,x2,…,xh,…,xH}，其中，C≥2，H≥1000，Th表示第h幅像素数量为O的原始图像，OK，K≤20，xh表示Th对应的类别为yh的低噪声扰动图像； 2构建集成搜索模型： 构建由多个类视觉几何群网络VGG、多个类残差神经网络ResNet、多个类稠密卷积网络DenseNet、多个类卷积变换网络ConvNext、多个类效率网络EfficientNet、多个类正则网络RegNet和多个类启发式网络Inception并行而成的N个类代理模型的集成搜索模型，其中，N≥20，第n个代理模型fn的权重参数为wn，且3对集成搜索模型进行搜索： 将H幅低噪声扰动图像X作为集成搜索模型的输入，第n个代理模型对每幅低噪声扰动图像xh进行类别搜索，并判断xh搜索的类别与其对应的真实类别yh是否满足若是，令xh的优化结果xh′＝xh，执行步骤4，否则，通过加权集合损失函数对低噪声扰动图像xh进行优化，得到X对应的优化后的低噪声扰动图像集X′＝{x1′,x2′,...,xh′,...,x′H}，执行步骤4；其中对低噪声扰动图像xh进行优化的公式为： 其中，xh′表示xh的优化结果，L′表示集成搜索模型的加权损失值，表示第n个代理模型的损失值，表示第h个低噪声扰动图像输入第n个代理模型得到的预测类别，表示第h个低噪声扰动图像属于第c个类别的预测概率； 4获取黑盒攻击结果： 将优化后的低噪声扰动图像集X′作为待攻击黑盒目标模型的输入对每幅优化后的低噪声扰动图像xh′进行类别R次查询，判断xh′每次查询的类别ch与其对应的真实类别yh是否满足ch≠yh，若是，则将xh′作为攻击成功的对抗样本，否则，判断R≤5，若是，执行步骤5，否则，攻击失败； 5对扰动像素数量和权重参数进行更新： 对扰动像素数量K和权重参数wn进行更新，生成更新参数后的低噪声扰动图像，并执行步骤4。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。