System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人工智能模型安全领域,具体涉及一种基于多维特征指纹计算cnn图像分类模型相似度的方法。
技术介绍
1、卷积神经网络(convolutional neural network,cnn)是一种专为处理网格结构数据(如图像)的人工智能模型。cnn利用局部感知、权值共享和下采样特性,从数据中自动提取有效的特征,广泛应用于图像分类、目标检测等任务。cnn图像分类模型,尤其是参数规模庞大且性能卓越的模型,通常成本高昂,需要大量数据、先进算法及强大算力的支撑。一旦这些模型泄露或被窃取,可能给模型拥有者带来巨大的经济损失。因此,研究cnn图像分类模型溯源算法并评估其来源的可信度,是保障人工智能安全的关键步骤之一。溯源技术能够有效解决模型滥用、盗用、责任追踪与合规性等问题。通过追踪模型的来源和使用情况,可以确保知识产权不被侵犯。目前的溯源技术主要包括特征指纹和水印方法,然而,现有的模型溯源技术在实际应用中仍面临诸多挑战。
2、现有的模型溯源技术存在以下问题:
3、1、难以选择合适的模型特征并进行表达。
4、2、面对现存多样的模型攻击表现出的鲁棒性较差。
5、3、模型特征的评价维度过于单一。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处,提出一种基于多维特征指纹的cnn图像分类模型相似度的计算方法,以期能在保护cnn图像分类模型性能的同时,有效衡量两种cnn图像分类模型的相似程度,识别攻击者对原创cnn图像分类模型的侵权
2、本专利技术为达到上述专利技术目的,采用如下技术方案:
3、本专利技术一种基于多维特征指纹的cnn图像分类模型相似度的计算方法的特点在于,按如下步骤进行:
4、步骤一:获取版权所有者提供的原创cnn图像分类模型m1;获取所述版权所有者认为侵犯原创cnn图像分类模型m1版权的盗版cnn图像分类模型m2;
5、步骤二:分别提取m1和m2的静态特征指纹;
6、步骤2.1:记录原创的cnn图像分类模型m1的第层权重矩阵和偏置向量,若第层中无权重或偏置,则令或为0,从而得到m1的权重矩阵序列和偏置向量序列;其中,表示m1的总层数;
7、步骤2.2:按照步骤2.1的过程得到m2的权重矩阵序列和偏置向量序列;其中,表示m2的第层权重矩阵,表示m2的第层偏置向量;
8、步骤2.3:计算和之间的均方误差、逆欧式距离、余弦相似度、js散度;
9、步骤2.4:计算和之间的均方误差、逆欧式距离、余弦相似度、js散度;
10、步骤三:提取m1和m2的动态特征指纹;
11、步骤3.1:获取预处理后的图像样本集合,其中,为预处理后的第张图像样本;j表示图像样本的总数;令的类别标签记为;
12、步骤3.2:将分别输入至原创cnn图像分类模型m1和盗版cnn图像分类模型m2中进行处理,相应得到m1的第个卷积层中第个卷积核输出的图像特征图、图像激活图和m2的第个卷积层中第个卷积核输出的图像特征图、图像激活图,从而得到m1的第个卷积层输出的图像特征图序列、图像激活图序列和m2的第个卷积层输出的图像特征图序列、图像激活图序列;进而得到m1的输出层输出的类别概率分布和m2的输出层输出的类别概率分布;最终得到m1输出的预测类别标签和m2输出的预测类别标签;其中,表示m1输出的的预测类别标签,表示m2输出的的预测类别标签;
13、步骤3.3:计算和之间的卷积核特征距离以及和之间的卷积核激活距离,从而得到m1和m2第个卷积层之间的卷积核特征距离均值以及卷积核激活距离均值;m1和m2之间的卷积核特征距离总均值以及卷积核激活距离总均值;
14、计算和之间的卷积层特征距离以及和之间的卷积层激活距离,从而得到m1和m2之间的卷积层特征距离均值以及卷积层激活距离均值;
15、计算和之间的输出js散度;
16、步骤3.4:对进行对抗攻击,生成对抗图像样本集合;其中,表示第张对抗图像样本;
17、步骤3.5:将分别输入m1和m2中进行处理,最终得到m1输出的对抗预测类别标签和m2输出的对抗预测类别标签;其中,表示m1输出的的对抗预测类别标签,表示m2输出的的对抗预测类别标签;
18、步骤3.6:比较和,得到m1的鲁棒性表示;
19、比较和,得到m2的鲁棒性表示;
20、步骤四:计算静态特征相似度;
21、步骤五:计算动态特征相似度;
22、步骤六:利用式(8)计算总相似度表示:
23、 (8)
24、式(8)中,'和分别是和对应的权重,且;
25、步骤七:如果,则认为m2源自原创cnn图像分类模型m1,并侵犯所述版权所有者的m1版权;否则,表示未侵犯版权所有者的m1版权。
26、本专利技术所述的一种基于多维特征指纹的cnn图像分类模型相似度的计算方法的特点也在于,所述步骤四是按如下步骤进行:
27、步骤4.1:利用式(1)计算m1和m2的权重矩阵相似度:
28、 (1)
29、式(1)中,、、和分别是、、和对应的权重,且,是取较大值;
30、步骤4.2:利用式(2)计算m1和m2的偏置向量相似度:
31、 (2)
32、式(2)中,、、和分别是、、和对应的权重,且;
33、步骤4.3:利用式(3)计算m1和m2的静态特征指纹总相似度:
34、 (3)
35、式(3)中,和分别是和对应的权重,且。
36、进一步的,所述步骤五是按如下步骤进行:
37、步骤5.1:构建指标向量,从而利用式(4)计算m1和m2之间动态特征相似度:
38、 (4)
39、式(4)中,表示指标张量与全0张量的欧几里得距离;
40、步骤5.2:利用式(5)计算m1和m2之间的模型输出js散度相似度:
41、 (5)
42、步骤5.3:利用式(6)计算m1和m2之间的鲁棒性相似度:
43、(6)
44、式(6)中,表示二者间差值的绝对值;
45、步骤5.4:利用式(7)计算m1和m2的动态特征指纹总相似度:
46、 (7)。
47、本专利技术一种电子设备,包括存储器以及处理器的特点在于,所述存储器用于存储支持处理器执行所述计算方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
48、本专利技术一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序的特点在于,所述计算机程序被处理器运行时执行所述计算方法的步骤。
49、与已有技术相比,本专利技术有益效果体现在:
50、1、本专利技术利用模型指本文档来自技高网...
【技术保护点】
1.一种基于多维特征指纹的CNN图像分类模型相似度的计算方法,其特征在于,按如下步骤进行:
2.根据权利要求1所述的一种基于多维特征指纹的CNN图像分类模型相似度的计算方法,其特征在于,所述步骤四是按如下步骤进行:
3.根据权利要求2所述的一种基于多维特征指纹的CNN图像分类模型相似度的计算方法,其特征在于,所述步骤五是按如下步骤进行:
4.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1-3中任一所述计算方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1-3中任一所述计算方法的步骤。
【技术特征摘要】
1.一种基于多维特征指纹的cnn图像分类模型相似度的计算方法,其特征在于,按如下步骤进行:
2.根据权利要求1所述的一种基于多维特征指纹的cnn图像分类模型相似度的计算方法,其特征在于,所述步骤四是按如下步骤进行:
3.根据权利要求2所述的一种基于多维特征指纹的cnn图像分类模型相似度的计算方法,其特征在于,所述步骤五是按如下步骤进...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。