基于混沌白盒水印的深度神经网络知识产权保护
密码学与安全
2026-03-17 v2 人工智能
摘要
深度神经网络（DNN）在多个领域的快速普及引发了对知识产权（IP）保护和模型滥用的日益关注。训练好的DNN代表有价值的资产，通常是通过大量投资开发的。然而，模型可以被复制、再分发或重新利用的便捷性凸显了有效机制来主张和验证模型所有权的迫切需求。在本工作中，我们提出了一种高效且鲁棒的白盒水印框架，利用混沌序列将所有权信息嵌入DNN的内部参数中。水印通过逻辑斯蒂映射生成，这是一种著名的混沌函数，产生对初始化参数敏感的序列。该序列被注入到所选中间层的权重中，无需对模型进行结构性修改或导致预测性能下降。为了验证所有权，我们引入了一种基于遗传算法的验证过程，通过优化提取序列与再生序列之间的相似性来恢复原始混沌参数。通过在MNIST和CIFAR-10数据集上进行的图像分类任务的大量实验，证明了所提方法的有效性。结果表明，嵌入的水印在微调后仍然可检测，且模型准确率的损失可忽略不计。除了水印的数值恢复外，我们还使用权重密度图进行可视化分析，并构建基于激活的分类器来区分原始模型、加水印模型和篡改模型。总体而言，所提方法提供了一种灵活且可扩展的解决方案，用于在白盒环境中嵌入和验证模型所有权，非常适合IP保护至关重要的真实场景。
引用
@article{arxiv.2512.16658,
title = {Protecting Deep Neural Network Intellectual Property with Chaos-Based White-Box Watermarking},
author = {Sangeeth B and Serena Nicolazzo and Deepa K. and Vinod P},
journal= {arXiv preprint arXiv:2512.16658},
year = {2026}
}