【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。