RemovalNet：深度神经网络指纹消除攻击
计算机视觉与模式识别
2023-11-27 v3 人工智能
摘要
随着深度神经网络（DNNs）性能显著提升，DNNs已广泛应用于诸多领域。因此，DNN模型已成为宝贵资产，其知识产权由所有权验证技术（如DNN指纹识别）保护。然而，DNN指纹消除攻击的可行性及其潜在影响仍是一个开放问题。本文首次对DNN指纹消除攻击进行了全面研究。一般而言，DNN模型中包含的知识可分为通用语义知识和指纹特定知识。为此，我们提出了一种基于极小极大双层优化的DNN指纹消除攻击方法RemovalNet，以规避模型所有权验证。下层优化旨在消除指纹特定知识；而在上层优化中，我们蒸馏受害模型的通用语义知识以维持替代模型的性能。我们进行了大量实验，在六个指标上针对四种先进防御方法评估RemovalNet的保真度、有效性和效率。实证结果表明：（1）RemovalNet有效。经过我们的DNN指纹消除攻击后，目标模型与替代模型之间的模型距离比基线攻击高100倍；（2）RemovalNet高效。它仅使用替代数据集的0.2%（400个样本）和1000次迭代即可发起攻击。此外，与先进的模型窃取攻击相比，RemovalNet最多节省近85%的计算资源；（3）RemovalNet实现了高保真度，所创建的替代模型在DNN指纹消除过程后保持高准确率。我们的代码见：https://github.com/grasses/RemovalNet。
引用
@article{arxiv.2308.12319,
title = {RemovalNet: DNN Fingerprint Removal Attacks},
author = {Hongwei Yao and Zheng Li and Kunzhe Huang and Jian Lou and Zhan Qin and Kui Ren},
journal= {arXiv preprint arXiv:2308.12319},
year = {2023}
}
备注
Accepted to IEEE TDSC, code is available at: https://github.com/grasses/RemovalNet