本文针对当前对抗鲁棒性评估方法的局限性，提出了一种新的评估框架。现有方法通常使用预定义的攻击集成（如AutoAttack）在单一扰动预算ε和少量范数下进行评估，存在三个根本问题：1) 模型间的鲁棒性-扰动曲线可能相交或以不同速率衰减，导致单ε排名不稳定；2) 无法证明评估结果的最优性，存在未知的对抗样本漏洞；3) 固定攻击配置无法系统控制攻击强度与评估成本之间的权衡。为解决这些问题，作者提出了一个基于最小范数攻击池的评估框架，涵盖ℓ0、ℓ1、ℓ2和ℓ∞四种攻击范数，并构建鲁棒性-扰动曲线。定义“攻击前沿”为攻击池对模型产生的最差鲁棒性估计，并将评估形式化为前沿逼近问题，通过选择最小范数攻击子集（即优化后的攻击集成）在可控的查询预算下逼近前沿，预算越大估计越紧。此外，定义“防御前沿”为每个扰动大小下模型集合的最优鲁棒性，并提出“防御最优性指数”（Defense Optimality Index）来对防御进行排序，无需选择单一ε。在CIFAR-10和ImageNet上的实验表明，所提攻击集成在固定和可控查询成本下，在大多数防御上匹配或超过AutoAttack。该工作为安全从业者提供了基于曲线和查询控制的替代性评估方法。