申请/专利权人：浙江工业大学

申请日：2020-10-30

公开（公告）日：2024-04-30

公开（公告）号：CN112241554B

主分类号：G06F21/62

分类号：G06F21/62;G06F18/2431;G06N3/045;G06N3/084;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2021.02.05#实质审查的生效;2021.01.19#公开

摘要：本发明公开了一种基于差分隐私指数机制的模型窃取防御方法和装置，包括：将用户的预测样本输入至通过API调用的目标模型，并对目标模型针对预测样本的原始置信度分布向量添加差分隐私指数机制后作为隐藏置信度分布向量反馈给用户；根据隐藏置信度分布向量得到的预测类标与根据原始置信度分布向量得到的预测类标相同；用户利用隐藏置信度分布向量和预测样本对与目标模型的网络结构相同的窃取网络进行训练以确定第一网络参数，该第一网络参数与目标模型的目标网络参数不同，即由第一网络参数与窃取网络组成的防御模型与由网络结构和目标网络参数组成的目标模型不同，实现了对目标模型窃取的防御。能够提高目标模型的信息安全性。

主权项：1.一种基于差分隐私指数机制的模型窃取防御方法，其特征在于，包括以下步骤：将用户的预测样本输入至通过API调用的目标模型，并对目标模型针对预测样本的原始置信度分布向量添加差分隐私指数机制后作为隐藏置信度分布向量反馈给用户，隐藏置信度分布向量的获取过程为：目标模型针对预测样本的原始置信度分布向量表示为： 其中，Zx,i表示目标模型针对预测样本x在第i类别的权重大小，也就是预测样本x被归为第i类别的得分情况，C表示目标模型能够实现分类的总类别数，Yx,i表示原始置信度分布向量，在原始置信度分布向量增加差分隐私指数机制，将Zx,i类比于差分隐私指数机制中的得分函数，得到的隐藏置信度分布向量表示为： 其中，Y′x,i表示隐藏置信度分布向量，ε表示隐私预算，sZ,||.||表示差分隐私指数机制中得分函数的灵敏度，得分函数的灵敏度sZ,||.||取值为1，隐私预算ε取值为0.01～0.5，得分函数的灵敏度计算公式为： 其中，X和X′表示至多一条样本数据不同的两个样本数据集，dX,X′＝1表示两个数据集的差值为1，i∈I表示来自于输出结果i来自于类别得分集I，||·||表示范数距离；根据隐藏置信度分布向量得到的预测类标与根据原始置信度分布向量得到的预测类标相同；用户利用隐藏置信度分布向量和预测样本组成的防御数据集对与目标模型的网络结构相同的窃取网络进行训练以确定第一网络参数，该第一网络参数与目标模型的目标网络参数不同，即由第一网络参数与窃取网络组成的防御模型与由网络结构和目标网络参数组成的目标模型不同，实现了对目标模型窃取的防御。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于差分隐私指数机制的模型窃取防御方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD