该研究针对可转移对抗攻击在边缘计算环境中的高计算成本的挑战，提出了一种新的梯度编辑框架GE-AdvGAN+，集成了多种主流攻击方法以增强可转移性并显著降低资源消耗。实验结果表明，与基线方法相比，该框架在攻击成功率和计算效率上都有显著提升，具有重要的实际应用潜力。

本文综述了对抗攻击与生成对抗网络的多项研究：AdvGAN可高效生成对抗样本，黑盒攻击成功率达92.76%；梯度范数惩罚能提升对抗样本的可迁移性；MGAA利用元学习缩小梯度方向差距；梯度修正法在ImageNet上取得82.07%的平均迁移成功率；此外还涉及T-GD检测GAN生成图像、生成对抗训练增强泛化性与鲁棒性、跨任务特征构建对抗样本以及像素空间域适应等方法。