（CNN），由Yann LeCun等人于1998年提出，最初用于手写数字识别（如MNIST数据集）。它是CNN的奠基性工作之一，其。卷积层通过小尺寸的滤波器（如5×5）扫描输入图像，每个神经元仅连接输入图像的局部区域，从而捕捉局部特征（如边缘、纹理）C3层并非全连接至S2的所有通道，而是采用部分连接（如论文中的连接表），减少计算量。参数量小、层数浅，对复杂数据（如ImageNet）表现不足，需更深

FGSM（Fast Gradient Sign Method） 是一种经典的对抗样本生成方法，其核心思想是通过在输入数据的梯度方向上添加扰动，从而生成对抗样本。

RSA算法是一种非对称加密算法，它基于一个简单的数论事实：将两个大质数相乘是容易的，但反过来，对它们的乘积进行因数分解却极其困难。RSA算法由罗纳德·李维斯特（Ron Rivest）、阿迪·萨莫尔（Adi Shamir）和伦纳德·阿德曼（Leonard Adleman）在1977年共同发明，因此以他们姓氏的首字母命名。非对称加密RSA是一种非对称加密算法，使用一对密钥：公钥用于加密，私钥用于解密。

（CNN），由Yann LeCun等人于1998年提出，最初用于手写数字识别（如MNIST数据集）。它是CNN的奠基性工作之一，其。卷积层通过小尺寸的滤波器（如5×5）扫描输入图像，每个神经元仅连接输入图像的局部区域，从而捕捉局部特征（如边缘、纹理）C3层并非全连接至S2的所有通道，而是采用部分连接（如论文中的连接表），减少计算量。参数量小、层数浅，对复杂数据（如ImageNet）表现不足，需更深

生成对抗网络（Generative Adversarial Network, GAN）是由 Ian Goodfellow 等人在 2014 年 提出的一种深度学习模型，主要用于生成逼真的数据（如图像、音频、文本等）。GAN 的核心思想是通过两个神经网络相互对抗（生成器 vs. 判别器）来提升生成数据的质量。

DCGAN（Deep Convolutional Generative Adversarial Network）是 Radford 等人 在 2015 年提出的改进版 GAN，首次成功将卷积神经网络（CNN） 引入 GAN 框架，大幅提升了生成图像的质量和训练稳定性。DCGAN 已成为 GAN 研究的重要里程碑，并为后续 StyleGAN、ProGAN 等模型奠定了基础。

条件生成对抗网络(Conditional GAN, cGAN)是GAN的一种扩展，它在生成器和判别器中都加入了额外的条件信息 ，使得生成过程更加可控，能够生成特定类别的样本，在实际应用中具有广泛的用途。这个条件信息可以是类别标签、文本描述或其他形式的辅助信息。

WGAN通过Wasserstein距离的优良性质，解决了传统GAN的训练难题。其数学核心在于对偶形式的转化和Lipschitz约束的实现。

WGAN通过Wasserstein距离的优良性质，解决了传统GAN的训练难题。其数学核心在于对偶形式的转化和Lipschitz约束的实现。

BIM（Basic Iterative Method），也称为 I-FGSM（Iterative Fast Gradient Sign Method），是 FGSM 的迭代版本。通过多次小步长扰动输入，逐步提升对抗样本的攻击效果，相比单步的 FGSM 具有更高的攻击成功率