---
title: FGSM 對抗攻擊展示
emoji: 🎯
colorFrom: red
colorTo: blue
sdk: gradio
app_file: app.py
pinned: false
license: mit
---

# 🎯 FGSM 對抗攻擊展示
# FGSM Adversarial Attack Demonstration

## 📚 關於此專案 / About This Project

這是國立中興大學「人工智慧與資訊安全」課程的期末專案，展示 **FGSM (Fast Gradient Sign Method)** 對抗攻擊技術。

This is a final project for the "Artificial Intelligence and Information Security" course at National Chung Hsing University (NCHU), demonstrating the **Fast Gradient Sign Method (FGSM)** adversarial attack technique.

**課程**: 人工智慧與資訊安全
**學校**: 國立中興大學
**Course**: AI and Information Security
**University**: National Chung Hsing University

---

## 🔬 技術背景 / Technical Background

### FGSM 是什麼？/ What is FGSM?

FGSM 是一種經典的對抗攻擊方法，透過在影像上加入微小的、人眼難以察覺的擾動，使深度學習模型產生錯誤的預測。

FGSM is a classic adversarial attack method that adds small, imperceptible perturbations to images, causing deep learning models to make incorrect predictions.

### 核心公式 / Core Formula

```
x_adv = x + ε · sign(∇ₓ L(f(x), y))
```

其中 / Where:
- `x`: 原始影像 / Original image
- `ε`: 擾動幅度 / Perturbation magnitude
- `∇ₓ L`: 損失函數對輸入的梯度 / Gradient of loss w.r.t. input
- `sign()`: 符號函數 / Sign function
- `x_adv`: 對抗樣本 / Adversarial example

---

## 🚀 如何使用 / How to Use

### 步驟 / Steps:

1. **選擇範例圖片 / Select Sample Image**
   - 點選下方的範例數字圖片 (0-9)
   - Click on any sample digit image (0-9) below

2. **調整擾動幅度 / Adjust Epsilon**
   - 使用滑桿調整 ε 值 (建議 0.1-0.3)
   - Use the slider to adjust ε value (recommended 0.1-0.3)

3. **執行攻擊 / Execute Attack**
   - 點擊「Execute Attack」按鈕
   - Click the "Execute Attack" button

4. **觀察結果 / Observe Results**
   - 查看原始預測 vs 對抗樣本預測
   - View original prediction vs adversarial prediction
   - 觀察三圖對比 (原始影像 / 擾動 / 對抗樣本)
   - Observe three-panel comparison (original / perturbation / adversarial)

---

## 📊 實驗結果示例 / Example Results

- **攻擊成功率**: > 80% (當 ε = 0.3)
- **Attack Success Rate**: > 80% (when ε = 0.3)

- **視覺化**: 三圖並排顯示
- **Visualization**: Three-panel side-by-side display
  - 原始影像 / Original Image
  - 擾動 (放大 10 倍) / Perturbation (10x amplified)
  - 對抗樣本 / Adversarial Example

---

## 🎓 學術價值 / Academic Value

### 研究目的 / Research Purpose

1. **理解對抗攻擊** / Understanding Adversarial Attacks
   - 深入了解 FGSM 的數學原理
   - Deep understanding of FGSM mathematical principles

2. **評估模型脆弱性** / Evaluating Model Vulnerability
   - 測試神經網路對對抗樣本的魯棒性
   - Test neural network robustness against adversarial examples

3. **提升 AI 安全意識** / Raising AI Security Awareness
   - 認識深度學習系統的安全風險
   - Recognize security risks in deep learning systems

### 應用領域 / Applications

- 🔒 模型安全性評估 / Model security assessment
- 🛡️ 對抗訓練 / Adversarial training
- 🔬 魯棒性研究 / Robustness research
- 📚 教育展示 / Educational demonstration

---

## 🛠️ 技術架構 / Technical Stack

- **深度學習框架 / Framework**: PyTorch 2.0+
- **模型 / Model**: CNN (MNIST)
- **介面 / Interface**: Gradio 4.44+
- **資料集 / Dataset**: MNIST Handwritten Digits

### 系統組件 / System Components

```
FGSM Demo
├── src/fgsm.py          # FGSM 攻擊核心 / FGSM attack core
├── src/model.py         # CNN 模型 / CNN model
├── demo/gradio_app.py   # Gradio 介面 / Gradio interface
├── models/mnist_cnn.pth # 預訓練模型 / Pre-trained model
└── demo/samples/        # 範例圖片 / Sample images (0-9)
```

---

## 📖 參考文獻 / References

1. **Goodfellow, I. J., Shlens, J., & Szegedy, C. (2014)**
   *Explaining and Harnessing Adversarial Examples*
   [arXiv:1412.6572](https://arxiv.org/abs/1412.6572)

2. **Madry, A., et al. (2018)**
   *Towards Deep Learning Models Resistant to Adversarial Attacks*
   [arXiv:1706.06083](https://arxiv.org/abs/1706.06083)

3. **PyTorch FGSM Tutorial**
   [https://pytorch.org/tutorials/beginner/fgsm_tutorial.html](https://pytorch.org/tutorials/beginner/fgsm_tutorial.html)

---

## ⚠️ 免責聲明 / Disclaimer

本專案僅供學術研究和教育目的使用。對抗攻擊技術應負責任地使用，不得用於惡意目的。

This project is for academic research and educational purposes only. Adversarial attack techniques should be used responsibly and not for malicious purposes.

---

## 📧 聯絡資訊 / Contact

- **專案作者 / Author**: hua-nchu
- **Hugging Face Space**: [FGSMDemo](https://huggingface.co/spaces/hua-nchu/FGSMDemo)
- **專案儲存庫 / Repository**: [GitHub](https://github.com/hua-nchu/FGSM) _(如有)_

---

## 📜 授權 / License

MIT License - 開放給學術和教育用途
MIT License - Open for academic and educational use

---

**建立日期 / Created**: 2025-12-22
**版本 / Version**: 1.0
**狀態 / Status**: ✅ 運作中 / Active