mindarmour.privacy.evaluation

本模块提供了一些评估给定模型隐私泄露风险的方法。

class mindarmour.privacy.evaluation.MembershipInference(model, n_jobs=- 1)[源代码]

成员推理是由Shokri、Stronati、Song和Shmatikov提出的一种用于推断用户隐私数据的灰盒攻击。它需要训练样本的loss或logits结果,隐私是指单个用户的一些敏感属性。

有关详细信息,请参见: 教程

参考文献:Reza Shokri, Marco Stronati, Congzheng Song, Vitaly Shmatikov. Membership Inference Attacks against Machine Learning Models. 2017.

参数:
  • model (Model) - 目标模型。

  • n_jobs (int) - 并行运行的任务数量。-1 表示使用所有处理器,否则 n_jobs 的值必须为正整数。

异常:
  • TypeError - 模型的类型不是 mindspore.train.Model

  • TypeError - n_jobs 的类型不是int。

  • ValueError - n_jobs 的值既不是 -1,也不是正整数。

样例:

>>> import mindspore.ops.operations as P
>>> from mindspore.nn import Cell
>>> from mindspore import Model
>>> from mindarmour.privacy.evaluation import MembershipInference
>>> def dataset_generator():
...     batch_size = 16
...     batches = 1
...     data =  np.random.randn(batches * batch_size,1,10).astype(np.float32)
...     label =  np.random.randint(0,10, batches * batch_size).astype(np.int32)
...     for i in range(batches):
...         yield data[i*batch_size:(i+1)*batch_size], label[i*batch_size:(i+1)*batch_size]
>>> class Net(Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self._softmax = P.Softmax()
...         self._Dense = nn.Dense(10,10)
...         self._squeeze = P.Squeeze(1)
...     def construct(self, inputs):
...         out = self._softmax(inputs)
...         out = self._Dense(out)
...         return self._squeeze(out)
>>> net = Net()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> opt = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> model = Model(network=net, loss_fn=loss, optimizer=opt)
>>> inference_model = MembershipInference(model, 2)
>>> config = [{
...     "method": "KNN",
...     "params": {"n_neighbors": [3, 5, 7],}
...     }]
>>> ds_train = ds.GeneratorDataset(dataset_generator, ["image", "label"])
>>> ds_test = ds.GeneratorDataset(dataset_generator, ["image", "label"])
>>> inference_model.train(ds_train, ds_test, config)
>>> metrics = ["precision", "accuracy", "recall"]
>>> eval_train = ds.GeneratorDataset(dataset_generator, ["image", "label"])
>>> eval_test = ds.GeneratorDataset(dataset_generator, ["image", "label"])
>>> result = inference_model.eval(eval_train. eval_test, metrics)
>>> print(result)
eval(dataset_train, dataset_test, metrics)[源代码]

评估目标模型的隐私泄露程度。 评估指标应由metrics规定。

参数:
  • dataset_train (mindspore.dataset) - 目标模型的训练数据集。

  • dataset_test (mindspore.dataset) - 目标模型的测试数据集。

  • metrics (Union[list, tuple]) - 评估指标。指标的值必须为 "precision""accuracy""recall"。默认值:"precision"

返回:
  • list - 每个元素都包含攻击模型的评估指标。

train(dataset_train, dataset_test, attack_config)[源代码]

根据配置,使用输入数据集训练攻击模型。

参数:
  • dataset_train (mindspore.dataset) - 目标模型的训练数据集。

  • dataset_test (mindspore.dataset) - 目标模型的测试集。

  • attack_config (Union[list, tuple]) - 攻击模型的参数设置。格式为

    attack_config =
        [{"method": "knn", "params": {"n_neighbors": [3, 5, 7]}},
         {"method": "lr", "params": {"C": np.logspace(-4, 2, 10)}}]
    
    • 支持的方法有 knnlrmlprf,每个方法的参数必须在可变参数的范围内。参数实现的提示可在下面找到:

异常:
  • KeyError - attack_config 中的配置没有键{“method”, “params”}。

  • NameError - attack_config 中的方法(不区分大小写)不为 "lr""knn""rf""mlp"

class mindarmour.privacy.evaluation.ImageInversionAttack(network, input_shape, input_bound, loss_weights=(1, 0.2, 5))[源代码]

一种通过还原图像的深层表达来重建图像的攻击方法。

参考文献:Aravindh Mahendran, Andrea Vedaldi. Understanding Deep Image Representations by Inverting Them. 2014.

参数:
  • network (Cell) - 网络,用于推断图像的深层特征。

  • input_shape (tuple) - 单个网络输入的数据形状,应与给定网络一致。形状的格式应为 \((channel, image\_width, image\_height)\)

  • input_bound (Union[tuple, list]) - 原始图像的像素范围,应该像[minimum_pixel, maximum_pixel]或(minimum_pixel, maximum_pixel)。

  • loss_weights (Union[list, tuple]) - InversionLoss中三个子损失的权重,可以调整以获得更好的结果。默认值:(1, 0.2, 5)

异常:
  • TypeError - 网络类型不是Cell。

  • ValueError - input_shape 的值有非正整数。

  • ValueError - loss_weights 的值有非正数。

样例:

>>> import mindspore.ops.operations as P
>>> from mindspore.nn import Cell
>>> from mindarmour.privacy.evaluation.inversion_attack import ImageInversionAttack
>>> class Net(Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self._softmax = P.Softmax()
...         self._reduce = P.ReduceSum()
...         self._squeeze = P.Squeeze(1)
...     def construct(self, inputs):
...         out = self._softmax(inputs)
...         out = self._reduce(out, 2)
...         return self._squeeze(out)
>>> net = Net()
>>> original_images = np.random.random((2,1,10,10)).astype(np.float32)
>>> target_features =  np.random.random((2,10)).astype(np.float32)
>>> inversion_attack = ImageInversionAttack(net,
...                                         input_shape=(1, 10, 10),
...                                         input_bound=(0, 1),
...                                         loss_weights=[1, 0.2, 5])
>>> inversion_images = inversion_attack.generate(target_features, iters=10)
>>> evaluate_result = inversion_attack.evaluate(original_images, inversion_images)
evaluate(original_images, inversion_images, labels=None, new_network=None)[源代码]

通过三个指标评估还原图像的质量:原始图像和还原图像之间的平均L2距离和SSIM值,以及新模型对还原图像的推理结果在真实标签上的置信度平均值。

参数:
  • original_images (numpy.ndarray) - 原始图像,其形状应为 \((img\_num, channels, img\_width, img\_height)\)

  • inversion_images (numpy.ndarray) - 还原图像,其形状应为 \((img\_num, channels, img\_width, img\_height)\)

  • labels (numpy.ndarray) - 原始图像的ground truth标签。默认值:None

  • new_network (Cell) - 其结构包含self._network中所有网络,但加载了不同的模型文件。默认值:None

返回:
  • float - l2距离。

  • float - 平均ssim值。

  • Union[float, None] - 平均置信度。如果 labelsnew_networkNone,则该值为 None

generate(target_features, iters=100)[源代码]

根据 target_features 重建图像。

参数:
  • target_features (numpy.ndarray) - 原始图像的深度表示。 target_features 的第一个维度应该是img_num。需要注意的是,如果img_num等于1,则 target_features 的shape应该是 \((1, dim2, dim3, ...)\)

  • iters (int) - 逆向攻击的迭代次数,应为正整数。默认值:1.0

返回:
  • numpy.ndarray - 重建图像,预计与原始图像相似。

异常:
  • TypeError - target_features 的类型不是numpy.ndarray。

  • ValueError - iters 的值都不是正整数.