开头的介绍对抗样本这些就不写了，直接写重要部分
这篇文章属于攻击替代模型的。
本文创新点：我们一般说的攻击替代模型的方法都是需要知道数据集的，也就是需要拿相同的train数据集或者相近的数据集去训练替代网络，然后将成功攻击替代网络的对抗样本去攻击远程的网络。然而，本文作者不需要任何原始数据集，也是第一个做到不用任何原始数据集去成功攻击的人。
论文提供的代码地址：https://github.com/zhoumingyi/DaST
可以运行，但是需要电脑的硬件设备要求较高
下面是文章中的式子所对应的含义：
D:替代模型
G:生成模型
T:原始模型
CE：交叉熵
攻击步骤：
1.生成一个替代模型，要求替代模型能尽可能接近原模型
这里其实有点像对抗神经网络GAN，作者估计也是受GAN的启发想到这个点，但是一般普通的对抗神经网络的效果较差，且会出现只有单纯一个的分类（比如Mnist数据集，可能只有0这个数据了），因此，作者在这里做出了改动，以来保证所有的结果数据尽可能的都被分配到。这部分应该是作者这篇论文的亮点，但不知道为啥没写明白。
改动：损失函数 ：
前半部分用来控制替代模型和真实模型之间的差距，后半部分用来控制标签的均匀分布，后半部分的式子如下，比如设置了20个数据，均分分布10个分类就是每个分类各两个数字，如果生成出来的值全部是0，那么这个损失函数就会十分的大，这样就需要去调整替代模型了（代码里理解出来的，论文里对这部分并未提及，只是一笔带过）
2.生成对抗样本
获得替代模型后即可运用各种攻击手段进行攻击原模型（FGSM等）。在替代模型中生成对抗样本，因为替代模型是自己生成的，所以生成对抗样本岂是轻而易举的事情。
3. 攻击
下一部分就是攻击的实验数据了，就不贴了，可以自己阅读，我自己跑的代码实验数据，没跑出来，直接上一个报错截图吧。
电脑硬件是硬伤！！！