近些年,伴随着4G技术的普及以及5G技术的发展,网络相关的技术出现了爆发性的增长。社交网络服务（SNS）如Facebook、Twitter正在逐步融入人们的生活。社交页面丰富的互动功能,促使用户主动分享很多个人或社交信息,例如个人位置、个人生活照片和朋友关系等。这些社交网络服务会让用户提供各种数据,被用于为用户提供更优质的服务。在社交网络中,用户无意间提供或者共享的数据,会导致很多安全问题。近年来出现了一种新的、基于用户的社交信息,对用户身份进行认证的基于社交知识的社交认证系统。例如在Facebook的基于社交知识的社交认证模块。黑客得到用户社交圈中发布的图像之后,针对用户的账户进行攻击,导致用户账户有被盗的风险。从而实现对基于社交知识的社交认证系统的攻击。伴随计算机算力和海量数据的出现,各种深度神经网络尤其是卷积神经网络也随之发展起来,并且在图像识别,自然语言处理等领域获得了非常巨大的成果。近两年,在图像领域,国内外研究学者发现对于卷积神经网络训练成功的模型,会被一些对抗样本成功攻击。对抗样本是在图像中增加一些特殊的“噪点”,就能导致这些加入“噪点”的图像在卷积神经网络中错误分类。针对知识验证模块等容易被攻击的情形,可以使用对抗样本进行防御。针对用户图像的基于社交知识的社交认证系统的安全问题,提出了基于样本攻击的一种防御机制。该机制能够有效的防御针对卷积神经网络模型的攻击,从而保证社交账户的安全。主要贡献包括:（1）在低像素的小图像中使用了FGSM攻击算法和Deep Fool攻击算法对图像进行攻击。深入研究了两算法针对低像素、小图像的攻击实际的效果。（2）提出了敏感权重和动态攻击区域,实验得出了卷积神经网络在低像素、小图像的情形下敏感权重的阈值,得到动态攻击区域。提出新的算法lpixelattack,攻击区域和范围不再人为干预。（3）对Facebook基于社交知识的社交认证系统攻击。并针对Facebook的知识验证系统的攻击,使用lpixel attack方法有效的防御了攻击。通过研究并实现了lpixel attack算法。通过算法,实现了低像素原始样本图像自动生成对抗样本,提出敏感权重和动态攻击区域,攻击成功率在96%以上。