前段时间，“YL宝”的事情让很多人关注到照片或者视频的隐私安全，其实在社交网络上发布的照片，都有可能被当做训练数据喂给模型。那怎么来保护自己的隐私呢?
除了要了解手机发原图，exif可能会泄露你的隐私外，其实我们最应该担心的是人脸识别。如果能在发布之前经过一定的处理，让人脸识别模型识别不了，那就满足了需求。
今天介绍一篇论文，大意就是，研究者开发了一个工具叫Fawkes，可以让照片经过一些细微的扰动，保证和原图一样的效果，但是会让人脸识别模型失效。
标题：
Fawkes: Protecting Privacy against Unauthorized Deep Learning Models
链接：
http://people.cs.uchicago.edu/~ravenben/publications/pdf/fawkes-usenix20.pdf
对于神经网络而言，一些细微的扰动是能够改变模型的预测结果，比如在下面的在图像里加上一点噪声，熊猫就变成了长臂猿：
其实像素级攻击（One Pixel Attack）已经出现了接近3年了，Fawkes的作者也是通过对人脸照片进行像素级别的修改，来欺骗人脸识别模型。
今天我们来试用Fawkes这个工具。
开始，我准备了几张人脸照片，如下图所示。
包括了经过微信压缩的gakki照片，经过推特压缩处理的川普照片，这样做是为了测试在真实社交网络上的效果。
目前fawkes提供了Mac、Windows和Linux等工具包，可以根据自己的平台下载。
链接：
https://github.com/Shawn-Shan/fawkes
这里我下载了Windows的exe包和二进制包，exe打开是下面这样的。
这里我使用Widows下的二进制包操作，结果如下：
在运行的过程中，工具会去下载模型到用户目录中的.fawkes目录，可以看到这个目录有high，low和mid模型，可以在使用的时候可以分别选择这些模型。
最后，我们生成了想要的对抗样本（经过扰动后的照片）。
现在拿原照片和生成的对抗样本在Face++上进行人脸搜索，效果如下：
竟然可以人脸搜索出来，是不是翻车了？
下一期我会解释其中的缘由并带来实际社交网络上的测试效果。
参考资源：
1. 微信回应发原图泄露位置信息
https://weibo.com/1930378853/IiLlCpuJW
2. One Pixel Attack for Fooling Deep Neural Networks
https://arxiv.org/pdf/1710.08864.pdf
往期回顾：
DeepFake系列——TweepFake：DeepFake推文检测
