1.一种面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，包括以下步骤：(1)获取原始图片样本集；以原始图片样本为基础，基于人工免疫算法生成对抗样本；

将原始图片样本与对抗样本合并，分为训练集和测试集；

以原始图片样本为基础，基于人工免疫算法生成对抗样本，包括以下步骤：(ⅰ)在每个原始图片样本上随机添加扰动块，构成N个不同的扰动样本，建立初始种群n0；

(ⅱ)依据适应度函数计算每个扰动样本的适应度值；依据适应度值成比例地生成扰动样本的克隆体，再对每个克隆体进行变异操作，生成子样本群n1；所述的适应度函数为：F＝f(x′)y+||x′‑x||0           (4)式中，x′为扰动样本；x为x′对应的原始图片样本；y为x的目标标签；f(x′)y表示图片分类器将扰动样本x′识别成目标标签y的置信度；||x′‑x||0表示x′与x差的0范式，即为增加的扰动个数；

(ⅲ)将子样本群n1与初始种群n0合并形成新样本群n01，根据样本的适应度对新样本群n01中的样本进行帕累托排序，选取N个较优样本形成样本记忆集M；

(ⅳ)针对样本记忆集M，计算两样本之间的相似度，若相似度小于网络抑制阈值ζ，则删除两个样本中的一个；

(ⅴ)根据步骤(ⅰ)的方法随机生成扰动样本并引入到样本记忆集M中，引入的扰动样本数目与步骤(ⅳ)中删除的样本数目相同；

(ⅵ)重复步骤(ⅱ)～(ⅴ)，直至迭代次数达到预设值，获得对抗样本集；

(2)利用训练集和测试集对图片分类器进行训练，获得图片识别模型；

(3)利用图片识别模型对待识别图片进行识别，实现图片识别的对抗防御。

2.根据权利要求1所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，以如下公式在原始图片样本上添加扰动块：式中，x表示原始图片样本横坐标，y表示原始图片样本纵坐标；当mxy等于0时，表明原始图片样本在(x,y)位置处不添加扰动，当mxy等于1时，表明样本在(x,y)位置处添加扰动；

rand()表示在区间[0,1]上服从均匀分布的随机数。

3.根据权利要求1所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，对每个克隆体进行变异操作如下式所示；

f*

x′＝x+λ·N(0,1)·e             (5)式中，x′为扰动样本；x为x′对应的原始图片样本；f*是x的适应度经0～1标准化后的值，即f*∈[0,1]；N(0,1)表示标准正太随机分布数，其中均值μ等于0，标准方差σ等于1；λ是比例常数，用于控制指数函数的衰减程度。

4.根据权利要求1所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，根据样本的适应度对新样本群n01中的样本进行帕累托排序包括：对新样本群n01进行非支配排序和计算拥挤度，选择N个较优样本形成样本记忆集M。

5.根据权利要求4所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，对新样本群n01进行非支配排序包括：a)计算每个样本的被支配度Np和支配度Sp；

b)设置i＝0，i表示层级；

c)挑出新样本群n01中支配度Np为i的个体，构成非支配样本群Fi；

d)遍历Fi中的每一个个体，在遍历Fi中的每一个个体的过程中，遍历每个个体的Sp中的个体；当遍历到Sp中的某个体Np时，将个体Np减1；Fi遍历完成后，将Np为0的个体归入非支配样本群Fi+1；

e)i＝i+1；

f)重复步骤d)～e)，直到所有个体完成分级。

6.根据权利要求4所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，样本的拥挤度计算公式如下：Ii＝(f1，i+1‑f1，i‑1)/(f1max‑f1min)+(f2，i+1‑f2，i‑1)/(f2max‑f2min)      (8)其中，Ii表示第i个样本的拥挤度；f1,i+1表示第i+1个样本的第一个目标函数值；f1max表示第i个样本所在层的所有个体中，第一个目标函数能取到的最大值；f2,i+1表示第i+1个样本的第二个目标函数值；f2max表示第i个样本所在层所有个体中，第二个目标函数能取到的最大值；f1，i‑1表示第i‑1个样本的第一个目标函数值；f1min表示第i个样本所在层所有个体中，第一个目标函数的最小值；f2,i‑1表示第i‑1个样本的第二个目标函数值；f2min表示第i个样本所在层所有个体中，第二个目标函数的最小值；第一目标函数为F1＝minf(x′)y；第二目标函数为F2＝||x′‑x||0。

7.根据权利要求1所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，步骤(ⅳ)中，两样本之间的相似度用两者之间的欧氏距离表示。

8.根据权利要求1所述的面向基于人工免疫算法对抗攻击的对抗防御方法，其特征在于，步骤(ⅵ)中，迭代次数的预设值为50。