权威后门：为编写入门DNN的可认证后门机制
密码学与安全
2025-12-12 v1 机器学习
摘要
深度神经网络（DNNs）作为宝贵的知识产权，面临未经授权的使用问题。现有的保护措施，如数字水印，主要是被动的，仅提供事后所有权验证，无法主动防止被盗模型的非法使用。本工作提出一种主动式保护方案，称为“Authority Backdoor”，将访问约束直接嵌入模型中。具体而言，该方案利用后门学习框架，使模型在特定触发器（例如硬件指纹）的存在时正常发挥作用，而在缺失该触发器时，DNN的性能下降到无用水平。为进一步提升所提出Authority方案的安全性，本文将可认证鲁棒性集成到该方案中，以防止适应性攻击者移除植入的后门。最终构建的框架为DNN建立了一个安全的权威机制，将访问控制与针对对抗攻击的可认证鲁棒性相结合。在多样化的体系结构和数据集上进行的广泛实验表明，所提出框架的有效性和可认证鲁棒性。
引用
@article{arxiv.2512.10600,
title = {Authority Backdoor: A Certifiable Backdoor Mechanism for Authoring DNNs},
author = {Han Yang and Shaofeng Li and Tian Dong and Xiangyu Xu and Guangchi Liu and Zhen Ling},
journal= {arXiv preprint arXiv:2512.10600},
year = {2025}
}
备注
Accepted to AAAI 2026 (Main Track). Code is available at: https://github.com/PlayerYangh/Authority-Trigger