面向盗版检测与篡改定位的基于高阶统计量和混沌映射的轻量级 CNN 模型哈希
密码学与安全
2025-11-03 v1
摘要
随着深度神经网络（DNN）的广泛应用，保护知识产权和检测模型未经授权的篡改已成为迫切挑战。最近，感知哈希方法因识别盗版模型而成为有效方法。然而，现有方法要么依赖神经网络进行特征提取，需大量训练资源，要么应用受限，无法普遍适用于所有卷积神经网络（CNN）。为解决这些限制，我们提出一种集成高阶统计量（HOS）特征和混沌映射机制的轻量级 CNN 模型哈希技术。无需任何辅助神经网络训练，即可实现盗版模型的高效检测和精确的篡改定位。具体而言，我们从每个网络层的参数中提取偏度、峰度和结构特征，以构建既稳健又具辨识力的模型哈希。此外，我们引入混沌映射，利用混沌系统对初始条件敏感性，放大模型参数中的微小变更，从而实现对被篡改区域的准确定位。实验结果验证了该方法在模型版权保护和完整性验证方的有效性和实际价值。
引用
@article{arxiv.2510.27127,
title = {Lightweight CNN Model Hashing with Higher-Order Statistics and Chaotic Mapping for Piracy Detection and Tamper Localization},
author = {Kunming Yang and Ling Chen},
journal= {arXiv preprint arXiv:2510.27127},
year = {2025}
}