1.基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，包括以下步骤：步骤1：对说话人语音信号进行数据预处理；

步骤2：搭建声纹识别模型；

步骤3：根据声纹识别模型设计对抗样本；

步骤4：获得样本对抗性扰动比例；步骤4具体包括：将包含干净样本和对抗样本的混合样本集 分别输入目标模型和检测模型，得到模型输出 和 则对应模型输出标签为比较Tdetect与Ttarget是否一致；若不一致则设定扰动比例 若一致则对该样本进行决策边界攻击；此处采取HopSkipJumpAttack(HSJA)决策边界攻击方法，该攻击方法所得到的对抗样本将非常逼近于模型的决策边界；有3个步骤：1、梯度方向估计；2、通过几何级数进行步长搜索；3、通过二分类法进行边界搜索；对于无目标攻击，HSJA攻击首先从均匀分布中采样一个初始对抗样本x't,然后进行二分类搜索查询决策边界，同时更新x't→xt；在更新后的对抗样本xt处估计梯度方向，梯度方向由蒙特卡洛方法近似估计；接着通过几何级数进行步长搜索，同时更新xt→x't+1；接下来在进行二分类搜索；重复以上步骤，直至到达最大迭代次数；最后得到攻击成功后的扰动量δi，则扰动比例为：步骤5：根据干净样本获取决策阈值；

步骤6：根据决策阈值对样本进行判断。

2.如权利要求1所述的基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，步骤1具体包括：首先对现有的语音文件进行数据提取，我们利用librosa音频处理python工具包对说话人语音进行语音数据提取，如下：Xi,sr＝librosa(Ti,sr＝None),i＝1,2,...n+m (1)其中Xi是提取的第i个说话人语音文件的语音数据，sr是语音数据的采样率，Ti是第i个说话人语音文件；

train test

对语音信号数据集进行归一化处理，并将数据集D划分为训练集D 与测试集D ,其中数据集train

D ＝{(X1,Y1),(X2,Y2),...,(Xn,Yn)}test

D ＝{(Xn+1,Yn+1),(Xn+2,Yn+2),...,(Xn+m,Yn+m)}Xi＝(Xi1,Xi2,...,Xid),d表示Xi的数据长度， 代表c类标签；归一化公式为：其中 表示归一化后的样本，max(Xi)表示样本中d个采样点中最大值，归一化后

3.如权利要求1所述的基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，步骤2具体包括：声纹识别模型结构包含1D卷积层，最大池化层，批归一化层，全连接层；利用训练数据集进行训练，声纹识别分类模型如下：目标模型：

检测模型：

Ftarget(·)和Fdetect(·)代表模型输出的概率向量。

4.如权利要求1所述的基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，步骤3所述的对抗样本定义为：其中，δi为添加到原样本上的扰动；

优化函数定义为：

5.如权利要求1所述的基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，步骤5具体包括：用决策边界攻击HSJA方法对选定的干净样本进行攻击，得到对抗性扰动比例在这些扰动比例中，选取不同的值充当决策阈值进行试验。

6.如权利要求5所述的基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，决策阈值t设为0.05％。

7.如权利要求1所述的基于不同迁移能力和决策边界攻击的声纹识别对抗样本的检测方法，其特征在于，步骤6具体包括：将步骤4中获得的对抗性扰动比例 与步骤5中得到的决策阈值t进行比较，大于阈值的为干净样本，小于阈值的为对抗样本，公式如下：其中，0表示对抗样本，1表示干净样本。