针对说话人识别的对抗样本防御技术研究.pdf

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1说话人识别系统研究现状2

1.2.2对抗样本研究现状3

1.2.3对抗防御研究现状6

1.3本论文的主要研究内容8

1.4本文的结构安排8

第二章相关技术10

2.1说话人识别技术10

2.1.1说话人识别的基本原理10

2.1.2说话人识别的内容和任务11

2.2对抗攻击与防御技术13

2.2.1对抗攻击13

2.2.2对抗防御15

2.3常用数据集介绍18

2.4本章小结19

第三章基于生成对抗网络的被动防御方法20

3.1生成对抗网络20

3.2高鲁棒性的被动防御方法21

3.2.1总体思路21

3.2.2训练流程22

3.2.3损失函数24

3.2.4训练方法26

3.3实验设置28

3.3.1实验环境和数据集28

3.3.2模型介绍28

3.3.3算法参数设置31

3.3.4评价指标32

3.4实验结果32

3.4.1说话人识别中各种攻击算法的效果分析32

3.4.2闭集识别中防御效果分析33

3.4.3开集识别中防御效果分析35

3.5本章小结39

第四章基于主动防御和被动防御的组合防御研究40

4.1对抗训练40

4.2组合防御方法41

4.3实验设置43

4.3.1对抗训练的实验设置43

4.3.2组合防御的实验设置44

4.4实验结果44

4.4.1闭集识别中对抗训练效果分析44

4.4.2开集识别中对抗训练效果分析45

4.4.3组合防御效果分析47

4.5本章小结51

第五章总结与展望52

5.1全文总结52

5.2后期研究展望53

参考文献54

致谢62

攻读硕士学位期间主要研究成果64

贵州师范大学学位论文原创性声明65

贵州师范大学学位论文使用授权书65

摘要

摘要

基于个体独特的音色信息，说话人识别技术在多个领域得到了广泛应

用，包括身份验证、金融交易、安全门禁系统、电话银行、犯罪调查等。

这种技术能够通过分析声音信号的频率、音调、语速、音质等特征，来确

定说话人的身份。然而，随着说话人识别技术的普及和应用，其安全性问

题也逐渐凸显出来。一些攻击者利用对语音输入进行微小的改动就能够欺

骗说话人识别系统，导致系统产生错误的输出，这为诸多场景带来了严重

的安全隐患。

当前，说话人识别系统中的被动防御技术采用一系列方法，包括量化、

平滑、压缩和降低采样率等，对说话人的音频进行处理。然而，这些方法

常常会对正常的音频造成严重的失真，从而影响了说话人识别系统的准确

性。与此同时，主动防御技术可以确保模型对正常样本的准确率，但却无

法有效应对各类对抗攻击。这意味着模型在面对正常音频时可能表现良好，

一旦受到对抗样本的干扰，模型的性能就会受到影响，容易产生误判。为

了解决以上问题，本文从以下几个方面展开研究：

(1)基于生成对抗网络的被动防御方法研究。本研究基于生成对抗网络

技术，提出了一种净化对抗样本的新型防御方法，直接消除对抗扰动。通

过将带有扰动的声纹样本直接转化为干净样本，该方法对正常样本产生的

影响极为微小。实验结果表明，在闭集识别中，正常样本经过处理过后能

达到99.9%的准确率；在开集识别中，能达到97.7%的准确率。

(2)基于主动防御和被动防御的组合防御方法研究。本文首先探究了在

说话人识别系统中