EverTracer：基于隐形且稳健概率指纹的盗取大型语言模型
密码学与安全
2025-09-04 v1
摘要
大型语言模型(LLMs)的快速扩散加剧了模型盗窃和许可证违规的担忧，亟需一种稳健且隐形的所有权验证方法。现有指纹方法要么需要不切实际的白盒访问，要么会引入可检测的统计异常。我们提出EverTracer，一种新的灰盒指纹框架，确保指纹的隐形性和稳健性，实现模型来源的追踪。EverTracer是首次将成员推理攻击(MIA)用于防御，采用记忆而非人工触发-输出过拟合来嵌入所有权信号。其构成包括Fingerprint Injection，该过程在无可检测痕迹的情况下对模型进行微调，使用任何自然语言数据；以及Verification，该过程利用校准后的概率变动信号来区分指纹化模型。该方法对适应性对手具有稳健鲁棒性，包括输入层修改和模型层修改。广泛实验表明，EverTracer在有效性、隐形性和韧性方面均实现了最前沿水平，证明其作为保护LLM知识产权的实用解决方案。我们的代码和数据已公开于https://github.com/Xuzhenhua55/EverTracer。
引用
@article{arxiv.2509.03058,
title = {EverTracer: Hunting Stolen Large Language Models via Stealthy and Robust Probabilistic Fingerprint},
author = {Zhenhua Xu and Meng Han and Wenpeng Xing},
journal= {arXiv preprint arXiv:2509.03058},
year = {2025}
}
备注
Accepted by EMNLP2025 Main