GenUniform 生成符合均匀分布 (Uniform Distribution) 的随机向量。 对应 Python: np.random.uniform(low=min, high=max, size=size) 输入: - size: 向量长度 - min: 最小值 - max: 最大值

GenGaussian 生成符合高斯/正态分布 (Gaussian/Normal Distribution) 的随机向量。 对应 Python: np.random.normal(loc=mean, scale=std, size=size) 输入: - size: 向量长度 (即 Flatten

r""" Randomly split a dataset into non-overlapping new datasets of given lengths. Arguments: dataset (Dataset): Dataset to be split

============================================================================ 距离度量工具库 (Distance Metrics) 对应 Python 库: foolbox.distances, numpy.linalg =

MeanAndStd 计算一组 float64 切片的均值 (Mean) 和样本标准差 (Sample Standard Deviation) 样本标准差使用 n-1 的自由度 (Bessel's correction)

Softmax 将 Logits (未归一化的分数) 转换为概率分布。 对应 Python: torch.nn.functional.softmax(dim=1) 公式: P_i = exp(x_i) / sum(exp(x_j)) 优化: 实现了 "Numerical Stability" (减去

辅助函数：格式化打印向量

辅助函数：用于比较两个浮点数切片是否相等（允许微小误差）

============================================================================ 统计辅助工具库 (Statistical Helpers) 对应 Python: numpy (argmax, mean), torch.nn.f

========================================== 2. 初始化：NewHTTPClient (对齐 main.go 的调用) ==========================================

Clip 将向量中的每个元素限制在 [min, max] 范围内 对应 Python: np.clip (ART 中的 clip_image 核心)

Normalize 将向量归一化为单位向量 (Unit Vector)。 对应 Python: v / np.linalg.norm(v) 用于将估算出来的梯度方向标准化。 注意：虽然中间计算用 float64 保证精度，但返回仍为 float32 以匹配 API 协议。

VectorScale 向量与标量相乘 对应 Python: v * scalar (梯度缩放、步长控制)

GenerateVariants 为原始图像生成指定数量的微扰变体（由 Member C 调用） 输入: - original: 原始图像 [0.1, 0.5, ...] - sigma: 扰动强度（标准差），通常取 0.001 - count: 需要生成的变体数量（通常为 10） 功能: 基于

1. LoadBatch: 顺序加载 (用于加载 1000 张审计目标图)

ArgMax 找到切片中最大值的索引 (Index of Maximum Value)。 对应 Python: np.argmax(probs) 用途: 将模型输出的概率数组转换为具体的类别标签 (Label)。 例如: [0.1, 0.8, 0.1] -> 返回 1

Interpolate 执行线性插值 (Linear Interpolation)。 对应 Python: binary_search 中的中间点计算 公式: result = a + (b - a) * t 用于在“原图”和“对抗样本”之间寻找刚好能骗过模型的那个边界点。

L2Norm 计算单个向量的 L2 范数 (模长)。 对应 Python: np.linalg.norm(v) 用于计算梯度的长度，或者在归一化向量时使用。

NewVector 创建一个指定大小并填充特定值的向量 对应 Python: np.zeros, np.full

Predict 返回最终标签 (Label-Only 基础功能)

PredictBatch 批量预测 (HSJA 涡轮增压)

VectorAdd 两个向量对应元素相加 对应 Python: a + b (用于叠加噪声)

binarySearch refines an adversarial sample onto the decision boundary.

CalibrateReference 计算路人集的统计基准，产出动态双阈值 (tau_d, tau_cv) 输入: dists 是一个二维切片，dists[i] 代表第 i 个路人图的 11 个测距值（1张原图 + 10个变体） 输出: tauD (距离阈值上限), tauCV (波动率/变异系数的

2. GetRandomStrangers: 随机抽取 (用于现场定标，算出判定水位线) 对应任务：把路人图固定下来

MeanVector 计算一组向量的平均值向量。 对应 Python: np.mean(vectors, axis=0) 输入: 一个包含 n 个向量的切片 (Batch) 输出: 一个平均向量 用途: HopSkipJump 算法中，需要对多次随机扰动后的梯度估算值取平均，以消除噪声。

PredictBatch: 批量预测标签 (用于 HSJA 涡轮增压)

PredictLogits: 获取原始分数 (用于算方案一的 Loss) —— 【这是你最需要的改动】

PredictLogits 返回原始概率/分数数组 (为了在 Go 本地算 Loss)

RelabelAll 使用“大卡车运输”模式，一次处理 128 张图

RunAudit 并发运行三段式审计逻辑 输入: 1000 个待审计样本 输出: 1000 个带红绿灯结论的审计报告

approximateGradient estimates the boundary normal with batched label queries.

Calculate reference thresholds from boundary distance groups.

Calculate a 0-100 membership risk score from boundary statistics.

initialize searches for an initial sample that crosses the target boundary.

辅助函数微调：去掉原图合并，只跑变体

Generate a set of distortions. Args: N: Number of augmentation transformations to apply sequentially. N is len(transforms)/

Attack estimates the distance from a sample to the target model decision boundary.

Clone 深拷贝一个向量，防止修改原数据 对应 Python: v.copy()

CosineSim 计算两个向量的余弦相似度。 用于评估梯度估算的准确性。

L0Distance 计算两个向量之间的 L0 距离 (Hamming-like)。 对应 Python: np.count_nonzero(a != b) 统计有多少个像素点发生了变化（不考虑变化的幅度，只考虑是否变化）。 注意：由于浮点数精度问题，极小的差异也会被计入。

LinfDistance 计算两个向量之间的切比雪夫距离 (L-infinity Distance)。 对应 Python: np.max(np.abs(a - b)) 即所有像素点中，差异最大的那个点的差异值。 常用于衡量对抗样本在 worst-case 下的扰动程度。

========================================== 3. 核心功能实现 (实现 core.Model 接口) ========================================== Predict: 获取最终标签

ProjectToSphere 将向量投影到 L2 球面上。 用于限制扰动大小 (Epsilon)。 逻辑: 如果向量模长超过半径，则将其缩放到半径长度。

SetSeed 设置随机数种子。 对应 Python: np.random.seed(seed) 用于复现实验结果。如果设置了相同的种子，生成的噪声序列将完全一致。

TestL2DistancePythonMatched 验证 Go 语言的 L2 计算和 Python np.linalg.norm 完全一致 (Task 13)