A Novel Effective, Secure and Robust CDMA Digital Image Watermarking in YUV Color Space Using DWT2
本文将CDMA数字图像水印技术应用于所有权验证和图像认证中,为了提高水印的安全性,将水印W转换为一个序列,然后采用一个随机二进制序列R对水印进行加密,其中n为水印的大小。该采用过程使用伪随机数发生器来确定要在给定键上使用的像素。该方法将宿主图像转换到YUV颜色空间,然后对Y通道进行小波分解,利用加性伪随机噪声模式的相关性将水印嵌入到Y通道的选定子带系数中。实验结果表明,与同类方法相比,该方法具有更好的不可见性、安全性和鲁棒性,能够抵抗JPEG压缩和各种噪声攻击。此外,该方法不需要原始图像来提取水印。
2012-06-19 cs.CR cs.MM
Secure AI Watermarking Framework for IP Protection in Multi-Tenant Cloud Platforms
Viswam Engineering College(维斯瓦姆工程学院);Mother Theresa Institute Of Engineering and Technology(特蕾莎修女工程技术学院);Mohan Babu University(莫汉·巴布大学)
针对多租户云平台的AI知识产权泄露问题,提出基于密钥认证的安全AI水印框架,结合主动与被动安全措施,可预防攻击并识别联邦学习等场景下的IP泄露。
2026-08-05 cs.AI cs.CR
Watermarking in Secure Federated Learning: A Verification Framework Based on Client-Side Backdooring
Peking University(北京大学);Central South University(中南大学);Fuzhou University(福州大学);Jinan University(暨南大学);Loughborough University(拉夫堡大学)
联邦学习(FL)允许多个参与者在不直接共享数据的情况下协作构建深度学习(DL)模型。因此,FL中的版权保护问题变得重要,因为不可靠的参与者可能会访问联合训练的模型。在安全FL框架中应用同态加密(HE)技术,防止中心服务器访问明文模型。因此,使用现有的水印方案在中央服务器处嵌入水印不再可行。在本文中,我们提出了一种新的客户端FL水印方案,以解决版权保护问题的安全FL与HE。据我们所知,这是第一个在安全FL环境下将水印嵌入到模型中的方案。我们设计了一个基于客户端后门的黑盒水印方案,通过梯度增强的嵌入方法将预先设计的触发器集嵌入到FL模型中。此外,我们提出了一个触发器集的建设机制,以确保水印不能伪造。实验结果表明,我们提出的方案提供了出色的保护性能和鲁棒性对各种水印去除攻击和歧义攻击。
2023-03-03 cs.AI cs.CR cs.LG
Secure Transmission of Password Using Speech Watermarking
互联网是信息交流和检索的最宝贵资源之一。当今大多数多媒体信号都是数字格式的。数字数据可以非常容易地复制和编辑,这导致了对数据完整性和数字数据保护的需求。通过使用数字水印技术实现安全措施,可以满足完整性或数据认证等安全要求。本文提出了一种利用频率掩蔽将水印信号数据嵌入到音乐(序列)宿主信号中的盲语音水印算法。提出了一种不同的对数方法。在这方面,首先将对数函数应用于水印数据。然后将变换后的信号嵌入到通过应用快速傅里叶变换方法获得的宿主信号的转换版本中。最后利用快速傅立叶逆变换和反对数函数提取水印信号。
2013-04-25 cs.CR cs.MM
A new Watermarking Technique for Secure Database
数字多媒体水印技术是近十年来提出的一种在图像、音频、视频等数字对象中嵌入版权信息的技术。然而,在许多现实生活中的应用程序中越来越多地使用关系数据库系统,导致对水印数据库系统的需求不断增加。因此,水印关系数据库系统现在正在合并作为一个研究领域,处理数据库系统的版权保护的法律问题。方法:在这项研究中,我们提出了一个有效的数据库水印算法的基础上插入二值图像水印的非数值多字属性的选定的数据库元组。结果如下:该算法是鲁棒的,因为它抵制试图删除或降低嵌入的水印,它是盲目的,因为它不需要原始数据库,以提取嵌入的水印。结论:实验结果证明了该算法的盲目性和对常见数据库攻击的鲁棒性.
2013-04-26 cs.CR cs.DB cs.MM
ZIRCON: Zero-watermarking-based approach for data integrity and secure provenance in IoT networks
针对物联网资源受限下数据完整性与安全溯源难的问题,提出零水印方案ZIRCON,通过源节点生成水印将溯源信息存入防篡改集中数据库,经分析验证其轻量、抗攻击且性能优于现有方案。
2023-04-29 cs.CR
Fast, Secure, and High-Capacity Image Watermarking with Autoencoded Text Vectors
IRISA, Univ. Rennes, CNRS(IRISA、里昂大学、CNRS);Imatag;LABEL4.AI
本研究提出LatentSeal语义水印框架,通过文本自编码器将句子转为256维潜在向量嵌入图像,兼具高容量、鲁棒性与安全性,突破比特上限,助力可信AI治理。
2025-10-01 cs.AI cs.CR
Robust and Secure Code Watermarking for Large Language Models via ML/Crypto Codesign
University of California, San Diego(加利福尼亚大学圣迭戈分校);San Diego State University(圣地亚哥州立大学)
该研究提出首个ML/密码学协同设计的RoSeMary框架,通过端到端训练结合CodeT5实现高质量代码水印,用零知识证明安全验证,兼具高检测准确率、抗攻击能力与高效性。
2026-08-12 cs.CL cs.CR cs.LG
Secure Seed-Based Multi-bit Watermarking for Diffusion Models from First Principles
Inria Rennes(法国里昂国家信息与自动化研究所)
本文提出基于原理的水印方法,通过理论分析建立安全、鲁棒性和保真度的评估框架,实现无需依赖生成模型的水印系统设计。
2026-05-07 cs.CR cs.CV
Hardware Watermarking for Finite State Machines, with Symmetric Circuit Encryption
将水印放入数字电路有其自身的一系列挑战。在印刷品中创建安全水印通常包括难以复制的图形。在包括难以生产的附加电路的电路中,必须应对增加电路的功耗、降低电路的速度以及引入容易再现的水印电路的前景。本文提出了一种时序电路的数字水印方法。它允许多种程度的校准,允许用户根据速度、功率和功效的要求调整水印的复杂性。我们的方法使用一种加密技术,介绍秘密的水印电路,在几个层次。它还采用边界扫描测试协议作为保护水印电路的手段。我们的讨论首先描述我们的水印方案中所需的不同工具。然后,我们讨论了与破解我们的水印电路相关的问题的难度。这个分析表明,通过完全实现,我们的方法可以变得非常安全。
2022-03-22 cs.AR cs.CR
Delay-Induced Watermarking for Detection of Replay Attacks in Linear Systems
本文提出一种基于状态反馈的延迟诱导水印方法,通过在控制输入中注入随机时延状态估计项来检测线性系统中的重放攻击,并在LQG控制框架下验证其优于传统前馈水印方案。
2024-04-01 cs.CR cs.SY eess.SY
ItoV: Efficiently Adapting Deep Learning-based Image Watermarking to Video Watermarking
针对深度视频水印研究少、计算成本高的问题,提出ItoV方法,通过合并视频时间与通道维度适配图像水印,结合帧损失提升不可感知性,在两个数据集上性能优于现有最优方法。
2023-05-04 cs.CR
Embedding Trust at Scale: Physics-Aware Neural Watermarking for Secure and Verifiable Data Pipelines
SentinelAI;LBNL(劳伦斯伯克利国家实验室);EECS, University of California, Berkeley, CA, USA(加州大学伯克利分校电子工程与计算机科学系)
针对科学高维数据的完整性验证需求,提出基于卷积自编码器的物理感知神经水印框架,可在多种有损变换下留存水印且保真度高,性能优于经典SVD方法,可扩展至多领域结构化数据,助力科学数据溯源与AI系统安全。
2025-05-22 cs.AI cs.CE cs.CR
DICTION:DynamIC robusT whIte bOx watermarkiNg scheme for deep neural networks
该研究提出白盒DNN水印统一框架,基于此设计出采用GAN策略的动态鲁棒白盒水印方案DICTION,实验证明其在水印容量、模型准确率保留及抗攻击鲁棒性上均优于现有方案DeepSigns。
2025-05-19 cs.CR
Rethinking Mesh Watermark: Towards Highly Robust and Adaptable Deep 3D Mesh Watermarking
针对现有3D网格水印抗攻击鲁棒性弱、适应性不足的问题,提出基于注意力卷积的Deep3DMark深度水印方法,利用简化网格顶点邻接偏移特性实现尺寸与几何适应性,在大网格和攻击场景下性能显著优于传统及现有深度方法。
2023-12-15 cs.CR
Solving the Capsulation Attack against Backdoor-based Deep Neural Network Watermarks by Reversing Triggers
为了保护人工智能模型,特别是深度神经网络在黑箱环境下的知识产权,提出了基于后门的数字水印方案。与普通后门相比,基于后门的水印需要以数字方式包含所有者的身份,这一事实对触发器生成和验证程序增加了额外的要求。此外,这些问题产生额外的安全风险后,水印方案已被公布为取证工具或所有者的证据已被窃听on.This本文提出的封装攻击,一种有效的方法,可以使大多数建立后门为基础的水印方案无效,而不牺牲盗版模型的功能。通过使用基于规则的过滤器或贝叶斯过滤器封装深度神经网络,攻击者可以阻止所有权探测并拒绝所有权验证。我们提出了一个度量,CAScore,衡量一个基于后门的水印方案的安全性对封装攻击。本文还提出了一种新的基于后门的深度神经网络水印方案,该方案通过反转编码过程和随机暴露触发器来抵抗封装攻击。
2022-08-30 cs.CR
DINVMark: A Deep Invertible Network for Video Watermarking
School of Cyber Science and Engineering, Ningbo University(宁波大学网络空间安全学院)
本文提出DINVMark,一种基于可逆神经网络的视频水印方法,通过共享编解码器结构和模拟HEVC压缩的噪声层,在保持视频质量的同时显著提升水印鲁棒性与嵌入容量。
2025-09-22 cs.CR
A survey of deep neural network watermarking techniques
保护与深度神经网络(DNN)相关的知识产权(IPR)是一项迫切的需求,这是由训练此类网络所需的高成本以及DNN在我们社会中的重要性推动的。随着数字水印技术在多媒体知识产权保护中的应用,数字水印技术最近被认为是保护DNN知识产权的一种手段。虽然DNN水印继承了MM水印的一些基本概念和方法,但这两个应用领域之间存在显着差异,需要使媒体水印技术适应DNN场景并开发全新的方法。在本文中,我们概述了DNN水印的最新进展,注意将其纳入过去二十年中开发的大部分水印理论中,同时突出了DNN水印的新挑战和机遇。我们并没有试图对迄今为止提出的所有方法进行全面的描述,而是介绍了DNN水印的新分类,并介绍了属于每个类别的一些示例性方法。我们希望这篇论文能激发这一令人兴奋的领域的新研究,并帮助研究人员专注于该领域最具创新性和挑战性的问题。
2021-03-16 cs.CR
Towards Practical Watermark for Deep Neural Networks in Federated Learning
随着深度神经网络的广泛应用,验证主机对深度神经网络模型的拥有并保护该模型变得非常重要。为实现这一目标,设计了各种机制。通过将额外的信息嵌入到网络中并在之后揭示它,水印成为证明深度学习系统完整性的竞争候选者。然而,并发水印方案很难采用新兴的分布式学习范式,提高额外的要求,在所有权验证。一个领先的分布式学习范例是联邦学习(FL),其中多方参与训练一个单一的模型。参与FL的每个作者都应该能够独立验证其所有权。此外,在此场景下还存在其他潜在威胁和相应的安全需求。为了满足这些要求,在本文中,我们展示了一个水印协议,用于保护深层神经网络在FL的设置。通过将国家的最先进的水印方案和密码原语设计的分布式存储,该协议满足所有权验证的FL场景中的需要,而不侵犯每个参与者的隐私。这项工作为将水印推广为分布式学习平台中保护深度学习模型的实用安全机制铺平了道路。
2021-07-16 cs.CR
Deep Learning-Based Dynamic Watermarking for Secure Signal Authentication in the Internet of Things
保护物联网(IoT)是加快其应用程序和服务部署的必要里程碑。特别是,物联网设备的功能非常依赖于其消息传输的可靠性。数据注入、窃听和中间人威胁等网络攻击可能导致安全挑战。保护物联网设备免受此类攻击需要考虑其严格的计算能力和对低延迟操作的需求。本文提出了一种新的深度学习方法,用于物联网信号的动态水印检测网络攻击。所提出的学习框架基于长短期记忆(LSTM)结构,使物联网设备能够从其生成的信号中提取一组随机特征,并将这些特征动态地水印到信号中。这种方法使从物联网设备收集信号的物联网云中心能够有效地验证信号的可靠性。此外,所提出的方法可以防止复杂的攻击场景,例如网络攻击者从物联网设备收集数据并旨在破坏水印算法的窃听。仿真结果表明,在攻击检测延迟小于1秒的情况下,可以以几乎100%的可靠性从物联网设备传输消息。
2017-11-03 cs.CR cs.IT cs.MM
ChainMarks: Securing DNN Watermark with Cryptographic Chain
Johns Hopkins University(约翰霍普金斯大学);Palo Alto Networks, Inc.(帕洛阿尔托网络公司);University of California, Los Angeles(加州大学洛杉矶分校);George Mason University(乔治·马歇尔大学)
本文提出ChainMarks水印方案,通过密码学哈希链生成触发输入、以数字签名生成目标标签,并结合两阶段蒙特卡洛判定方法,在保持水印精度的同时提升DNN水印的鲁棒性与安全性。
2025-06-03 cs.AI cs.CR
Free Fine-tuning: A Plug-and-Play Watermarking Scheme for Deep Neural Networks
数字水印技术被广泛应用于深度神经网络的知识产权保护,以防止未经授权的分发。不幸的是,流行的数据中毒DNN水印方案依赖于目标模型微调来嵌入水印,这限制了其在处理现实世界任务中的实际应用。具体来说,通过对中毒数据集(精心制作的样本标签对)进行繁琐的模型微调来学习水印,对于处理具有挑战性的数据集和生产级DNN模型保护的任务并不有效。为了解决上述限制,在本文中,我们提出了一种即插即用的DNN模型水印方案,通过注入一个独立的专有模型到目标模型,以服务于水印嵌入和所有权验证。与以往的研究相比,我们提出的方法,通过结合一个专有的模型是免费的目标模型微调,而不涉及任何参数更新的目标模型,因此保真度得到很好的保留。我们的研究结果表明,使用中毒数据进行模型微调并不适合部署在现实任务中的DNN模型的IP保护,并提出了一个新的研究方向,以更深入地了解和研究采用专有模型进行DNN水印。源代码和模型可以在https://github.com/AntigoneRandy/PTYNet上找到。
2022-10-17 cs.CR
DeepSigns: A Generic Watermarking Framework for IP Protection of Deep Learning Models
深度学习(DL)模型已经导致我们理解各个重要领域原始数据的能力发生了范式转变,从情报战和医疗保健到自动运输和自动化制造。在匆忙采用DL模型作为服务的过程中,一个实际的问题是保护模型免受知识产权(IP)侵犯。DL模型通常通过分配处理大量专有训练数据的大量计算资源来构建。因此,由此产生的模型被认为是模型构建者的知识产权,需要加以保护,以保持所有者的竞争优势。本文提出了DeepSigns,这是一种新型的端到端IP保护框架,可以在当代DL模型中插入一致的数字水印。DeepSigns首次引入了一种通用的水印方法,可用于在白盒和黑盒设置中保护DL所有者的IP权利,其中对手可能知道也可能不知道模型内部。建议的方法是基于嵌入所有者的签名(水印)的概率密度函数(PDF)的数据抽象在不同层的DL模型。DeepSigns可以证明可以承受各种删除和转换攻击,包括模型压缩,模型微调和水印隐藏。对MNIST和CIFAR10数据集以及各种神经网络架构(包括宽残差网络、卷积神经网络和多层感知器)的概念验证评估证实了DeepSigns的有效性和适用性。
2018-05-31 cs.CR
Graph Watermarks
从网络拓扑到在线社交网络,当今许多最敏感的数据集都可以在大型图表中捕获。这些数据集的所有者面临的一个重大挑战是如何与合作者和授权用户共享敏感图,例如与网络设备供应商共享网络拓扑,或与学术合作者共享Facebook的社交图。目前的工具可以提供有限的节点或边缘隐私,但需要修改的图形,显着降低其效用。在这项工作中,我们提出了一种新的替代形式的图形水印。图水印是为给定的图数据集、安全图密钥和安全用户密钥量身定制的小图。为了与合作者C共享敏感图G,所有者使用G、图密钥和C的密钥作为输入来生成水印图W,并将W嵌入G中以形成G '。如果G'是由C泄漏的,则其所有者可以可靠地确定为C生成的水印W是否实际上驻留在G'内部,从而证明C对泄漏负责。图形水印既可以作为防止数据泄漏的威慑手段,也可以作为泄漏后的追索方法。我们提供了强大的方案来创建,嵌入和提取水印,并使用大型,真实的图形分析和实验,以表明它们是唯一的,难以伪造。我们研究了图水印对单一和强大的合谋攻击者模型的鲁棒性,然后提出并实证评估机制,以显着提高弹性。
2015-05-29 cs.CR cs.SI
Ciphertext-Native Watermarking for RLWE-Based Homomorphic Encryption
Sun Yat-sen University(中山大学)
针对 RLWE 同态加密方案忽视密文版权保护等实际需求的问题,提出水印技术,利用 RLWE 多项式代数结构嵌入水印,给出 ARWMark 和 MRWMark 两种方案,经理论分析和实验验证其有效性且不损原安全性。
2026-08-24 cs.CR
Dual Watermarking Scheme with Encryption
数字水印用于版权保护和认证。在该系统中,一个双重水印方案的基础上,小波奇异值分解与混沌加密算法,将开发,以提高鲁棒性和保护与安全性。小波变换和奇异值分解作为一种数学工具被用来在图像中嵌入水印。在宿主图像中嵌入两个水印。该算法将二次水印嵌入到一次水印中,并利用混沌逻辑斯蒂映射对水印图像进行加密。这为图像加密和传输提供了一种高效、安全的方法。水印图像被解密,并开发了一个可靠的水印提取方案的提取的主要以及从失真的图像的二次水印。
2010-02-11 cs.CR cs.MM
Poster: On the Feasibility of Training Neural Networks with Visibly Watermarked Dataset
随着机器学习对共享数据的需求不断增加,数据所有者要求所有权的关注也越来越多。可见水印技术是一种有效的视觉数据所有权保护方法,但由于水印中的视觉信息丢失以及攻击者去除水印的可能性,可见水印图像不能作为学习视觉识别模型的主要来源。为了使水印图像更适合机器学习,去除风险更小,我们提出了DeepStamp,一个水印框架,给定水印图像和经过训练的图像分类网络,学习合成人类可感知的水印图像,对删除鲁棒,并且能够用作训练图像进行分类,精度损失最小。为了实现这一目标,我们采用了生成式多对抗网络(GMAN)。在CIFAR10的实验中,我们证明了DeepStamp可以学习将水印嵌入到每个图像中,并且水印图像可以用于训练网络。
2019-06-04 cs.CR
SIGNED: A Challenge-Response Based Interrogation Scheme for Simultaneous Watermarking and Trojan Detection
涉及不受信任方的电子硬件分布式制造生态系统的出现引起了各种信任问题。特别是,IP盗版、生产过剩和硬件木马攻击对数字设计制造商构成了重大威胁。水印技术是半导体行业用来克服许多信任问题的解决方案之一。然而,目前的水印技术具有低覆盖率,招致硬件开销,并且容易受到移除或篡改攻击。此外,这些水印无法检测特洛伊木马植入攻击,其中对手出于恶意目的更改设计。我们解决这些问题,在我们的框架称为签名:安全的轻量级数字水印方案的设计。SIGNED依赖于基于询问-响应协议的询问方案来生成水印。SIGNED识别目标网表中的敏感区域,并对其进行采样,以形成代表设计的功能和结构特征的紧凑签名。我们表明,这个签名可以用来同时验证,在一个强大的方式,设计的出处,以及在设计过程中的任何阶段,它的任何恶意修改。在ISCAS 85和ITC基准电路上对SIGNED进行了评估,即使在低至5门的情况下,检测精度也达到了87.61%.我们进一步证明,SIGNED可以受益于与逻辑锁定解决方案的集成,在那里它可以实现更高的保护,防止删除/回火攻击,并通过明智地重用水印创建的锁定逻辑产生更低的开销。
2020-10-11 cs.CR
DeepTracer: Tracing Stolen Model via Deep Coupled Watermarks
针对现有模型水印易被窃取攻击移除的问题,提出DeepTracer框架,通过新颖水印样本构建、同类耦合损失约束及关键样本过滤机制,实现水印与主任务高耦合,在多场景实验中超越现有方法,提升防御效果与鲁棒性。
2025-11-12 cs.CR cs.LG
Robust Watermarking of Neural Network with Exponential Weighting
深度学习已经在许多任务中取得了最佳性能。由于深度学习模型的训练需要大量的成本,我们需要将神经网络模型视为有价值的知识产权。这种情况下的一个问题是,某些恶意用户可能会重新分发模型或在未经许可的情况下使用模型提供预测服务。一个有前途的解决方案是数字水印,将一种机制嵌入模型中,以便模型的所有者可以从外部验证模型的所有权。在这项研究中,我们提出了一种新的攻击方法对水印,查询修改,并证明所有现有的水印方法是脆弱的查询修改或现有的攻击方法(模型修改)。为了克服这个弱点,我们提出了一种新的水印方法,指数加权。实验结果表明,该方法在不牺牲神经网络模型预测性能的前提下,即使在未经授权的服务提供者恶意修改模型和查询等情况下,也能实现较高的水印验证性能.
2019-01-18 cs.CR
DeepiSign-G: Generic Watermark to Stamp Hidden DNN Parameters for Self-contained Tracking
DeepiSign-G提出一种通用脆弱水印方法,在CNN和RNN参数的Walsh-Hadamard系数中嵌入元数据,实现自包含追踪,并能以近乎完美的检测率识别多种攻击而不影响模型性能。
2024-07-01 cs.CR
DeepEclipse: How to Break White-Box DNN-Watermarking Schemes
Technical University of Darmstadt(达姆施塔特工业大学)
针对现有白盒DNN水印攻击需知晓水印方案或额外训练数据的问题,研究提出无需先验知识、额外数据与训练的DeepEclipse框架,可将水印检测降至随机猜测水平且维持模型精度,为水印攻防挑战提供新方案。
2024-03-06 cs.CR cs.LG
Customized Watermarking for Deep Neural Networks via Label Distribution Perturbation
National Tsing Hua University(国立清华大学)
随着机器学习的应用价值越来越高,深度神经网络(DNN)的知识产权(IP)问题越来越受到关注。通过分析,现有的DNN水印方法大多能够抵抗微调和剪枝攻击,但不能抵抗蒸馏攻击。为了解决这些问题,我们提出了一种新的DNN水印框架,统一软标签扰动(USP),具有与要加水印的模型配对的检测器,以及定制软标签扰动(CSP),通过将扰动添加到模型输出概率分布来嵌入水印。实验结果表明,我们的方法可以抵抗所有的水印去除攻击,并优于蒸馏攻击。此外,我们也有一个很好的权衡之间的主要任务和水印,实现了98.68%的水印准确率,而只影响主要任务的准确率为0.59%。
2022-08-10 cs.CR cs.LG
Structural Watermarking to Deep Neural Networks via Network Channel Pruning
为了保护深度神经网络(DNN)的知识产权(IP),现有的DNN水印技术要么直接将水印嵌入到DNN参数中,要么通过微调DNN参数插入后门水印,但这些方法无法抵抗通过改变DNN参数去除水印的各种攻击方法。在本文中,我们通过引入结构水印方案来绕过这种攻击,该方案利用通道修剪将水印嵌入到主机DNN架构中,而不是手工制作DNN参数。具体地说,在水印嵌入过程中,我们修剪宿主DNN的内部通道,通道修剪率由水印控制。在水印提取期间,通过从目标DNN模型的架构识别信道修剪率来检索水印。由于剪枝机制的优越性,在水印嵌入过程中保留了DNN模型原有任务的性能。实验结果表明,所提出的工作能够可靠地恢复嵌入的水印,并提供足够的有效载荷,而不牺牲DNN模型的可用性。它也表明,所提出的工作是强大的对常见的变换和攻击设计的传统水印方法。
2021-10-18 cs.CR cs.MM
RIGA: Covert and Robust White-Box Watermarking of Deep Neural Networks
Harvard University(哈佛大学);University of Waterloo(滑铁卢大学)
一旦数据所有者发布,深度神经网络(DNN)的水印就可以对其进行跟踪。在本文中,我们推广了DNN的白盒水印算法,其中数据所有者需要白盒访问模型来提取水印。白盒水印算法具有不影响水印模型精度的优点。我们提出了鲁棒白盒GAN水印(RIGA),一种新的白盒水印算法,使用对抗训练。实验结果表明,该算法不仅不影响水印的准确性,而且在隐蔽性和鲁棒性方面都有了很大的提高。
2021-02-14 cs.CR cs.LG stat.ML
Evaluating the Robustness of Trigger Set-Based Watermarks Embedded in Deep Neural Networks
KAIST(韩国科学技术院);Columbia University(哥伦比亚大学)
基于触发集的水印方案已经获得了新兴的关注,因为它们提供了一种证明深度神经网络模型所有者的所有权的手段。在本文中,我们认为,国家的最先进的触发集为基础的水印算法没有达到其设计的目标,证明所有权。我们认为,这种受损的能力源于两个常见的实验缺陷,现有的研究实践中所承诺的水印算法的鲁棒性进行评估时:(1)不完整的对抗性评估和(2)忽视自适应攻击。我们进行了全面的对抗性评估的11个代表性的水印方案对现有的攻击,并证明这些水印方案中的每一个缺乏鲁棒性,对至少两个非自适应攻击。我们还提出了新的自适应攻击,利用对手的知识的基础水印算法的目标模型。我们证明了所提出的攻击有效地打破了所有的11个水印方案,从而使对手掩盖所有权的任何水印模型。我们鼓励后续研究在评估其水印方案的鲁棒性时考虑我们的指导方针,通过进行全面的对抗性评估,包括我们的自适应攻击,以证明水印鲁棒性的有意义的上限。
2023-01-19 cs.CR cs.LG
Deep Model Intellectual Property Protection via Deep Watermarking
University of Science and Technology of China(中国科学技术大学);Microsoft Research(微软研究院);City University of Hong Kong(香港城市大学);Beijing Electronic Science and Technology Institute(北京电子科技学院);Wormpex AI Research LLC(Wormpex AI研究有限责任公司)
尽管取得了巨大的成功,但深度神经网络面临着严重的知识产权侵权风险。给定一个目标深度模型,如果攻击者知道它的全部信息,就可以通过微调轻松窃取。即使只有其输出是可访问的,代理模型也可以通过生成许多输入输出训练对来通过学生-教师学习来训练。因此,深度模型IP保护是重要且必要的。然而,它仍然是严重不足的研究。在这项工作中,我们提出了一个新的模型水印框架,用于保护为低级计算机视觉或图像处理任务训练的深度网络。具体地说,在目标模型之后添加了一个特殊的任务无关的屏障,该屏障将统一的不可见水印嵌入到其输出中。当攻击者利用屏障目标模型的输入输出对训练一个代理模型时,隐藏的水印将在之后被学习和提取。为了使水印从二进制比特到高分辨率图像,设计了一种深度不可见水印机制。通过联合训练目标模型和水印嵌入,额外的障碍甚至可以吸收到目标模型。通过大量的实验,我们证明了该框架的鲁棒性,它可以抵抗不同的网络结构和目标函数的攻击。
2021-03-08 cs.CR cs.CV
Fostering the Robustness of White-Box Deep Neural Network Watermarks by Neuron Alignment
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University(上海交通大学电子信息与电气工程学院)
深度学习技术的广泛应用正在推动深度学习模型,特别是深度神经网络(DNN)作为商业产品的监管。这种监管的必要前提是识别深度神经网络的所有者,这通常是通过水印完成的。目前的DNN水印方案,特别是白盒水印方案,对于一系列功能等价攻击,特别是神经元置换攻击,是一致脆弱的。这种操作可以毫不费力地使所有权证明无效,并逃避版权法规。为了提高白盒DNN水印算法的鲁棒性,提出了一种将神经元排列成与水印嵌入时相同的顺序的方法,从而使水印能够被正确识别。该神经元对准过程显著地促进了已建立的深度神经网络水印方案的功能。
2021-12-28 cs.CR cs.LG cs.MM
Reversible Watermarking in Deep Convolutional Neural Networks for Integrity Authentication
University of Science and Technology of China(中国科学技术大学);Beijing Electronic Science and Technology Institute(北京电子科技学院)
深度卷积神经网络在过去几年中在计算机视觉等许多领域做出了突出贡献,许多研究人员发表了经过良好训练的网络供下载。但最近的研究表明,由于模型重用攻击和后门攻击,对完整性的严重关注。为了保护这些开放源代码的网络,人们提出了许多算法,如水印。然而,这些现有的算法修改了网络的内容永久,不适合完整性认证。本文提出了一种用于完整性认证的可逆水印算法。具体地说,我们提出了深度卷积神经网络的可逆水印问题,并利用模型压缩技术的修剪理论,构造一个主机序列用于嵌入水印信息的直方图移位。实验结果表明,嵌入可逆水印对分类性能的影响小于0.5%,提取水印后模型参数能够完全恢复。同时,利用可逆水印技术验证模型的完整性:如果模型被非法修改,原模型生成的认证信息将与提取的水印信息完全不同。
2021-04-09 cs.CR cs.CV
DeMark: A Query-Free Black-Box Attack on Deepfake Watermarking Defenses
UNSW Sydney(新南威尔士大学悉尼分校);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61)
DeMark通过利用潜在空间漏洞,对深度伪造水印防御方案发起无需查询的黑盒攻击,显著降低检测准确率并揭示现有防御方案的脆弱性。
2026-01-23 cs.AI cs.CR cs.CV
FreeMark: A Non-Invasive White-Box Watermarking for Deep Neural Networks
Kyushu University(九州大学);Tohoku University(东北大学)
针对现有DNN水印需修改模型致性能下降的问题,提出非侵入式白盒水印框架FreeMark,借梯度下降生成密钥存于可信第三方,在保性能和高容量下抗多种移除攻击。
2024-09-16 cs.AI cs.CR cs.LG
Deep Boosting Robustness of DNN-based Image Watermarking via DBMark
Southern University of Science and Technology(南方科技大学);Hunan University(湖南大学);Changsha University of Science and Technology(长沙理工大学)
图像水印是一种将信息隐藏到图像中的技术,该图像可以承受失真,同时要求编码图像在感知上与原始图像相同。基于深度神经网络(DNN)的数字水印技术取得了令人瞩目的进展。在各种失真下具有更高的鲁棒性是数字图像水印技术的永恒追求。在本文中,我们提出了DBMARK,一种新的端到端数字图像水印框架,以深入提高基于DNN的图像水印的鲁棒性。关键的新颖性是可逆神经网络(INN)和有效的水印特征生成的协同作用。该框架通过有效的基于神经网络的消息处理器生成具有冗余和纠错能力的水印特征,并与INN强大的信息嵌入和提取能力相结合,实现了更高的鲁棒性和不可见性。神经网络强大的学习能力使消息处理器能够适应各种失真。此外,我们建议将水印信息嵌入到离散小波变换(DWT)域中,并设计低-低(LL)子带损失以增强不可见性。大量的实验结果表明,所提出的框架相比,国家的最先进的在各种失真,如辍学,裁剪,裁剪,高斯滤波器,JPEG压缩的优越性。
2022-11-16 cs.CR cs.CV
Have You Stolen My Model? Evasion Attacks Against Deep Neural Network Watermarking Techniques
Sapienza University of Rome(罗马大学)
深度神经网络对计算机科学的各个领域产生了巨大的影响,大大超过了以前最先进的机器学习技术。为了实现这种性能,神经网络需要大量的数据和巨大的计算资源,这大大增加了它们的构建成本。构建良好的深度神经网络模型的成本增加,导致需要保护这种投资免受潜在的版权侵犯。机器学习模型的合法所有者希望能够可靠地跟踪和检测试图窃取与模型相关的知识产权的恶意对手。最近,通过在深度神经网络中引入水印的概念来解决这个问题,该概念允许合法所有者在给定模型中嵌入一些秘密信息(水印)。水印允许合法所有者检测其模型的版权侵犯。本文重点验证了最先进的深度神经网络水印方案的鲁棒性和可靠性。我们表明,恶意的对手,即使在水印难以删除的情况下,仍然可以逃避合法所有者的验证,从而避免检测模型盗窃。
2018-09-03 cs.CR cs.LG
Spread-Transform Dither Modulation Watermarking of Deep Neural Network
Southwest Jiaotong University(西南交通大学);University of Siena(锡耶纳大学)
DNN水印作为保护与DNN模型相关联的知识产权的合适手段正受到越来越多的关注。到目前为止提出的几种方法受到流行的扩频(SS)范例的启发,根据该范例,水印比特被嵌入到DNN模型的权重到伪随机序列上的投影中。在本文中,我们提出了一种新的DNN水印算法,利用水印与边信息范例,以减少水印的突兀性,并增加其有效载荷。特别是,新方案利用的主要思想ST-DM(扩频变换抖动调制)水印,以提高性能的一个最近提出的算法的基础上,传统的SS。我们进行了实验,通过应用所提出的计划水印不同的模型,证明了它的能力,以提供更高的有效载荷与较低的影响网络的准确性比基线方法的基础上,传统的SS,同时保持令人满意的水平的鲁棒性。
2020-12-28 cs.AI cs.CR
Exploring Structure Consistency for Deep Model Watermarking
University of Science and Technology of China(中国科学技术大学);Microsoft Cloud AI(微软云人工智能部门);City University of Hong Kong(香港城市大学);Wormpex AI Research(Wormpex人工智能研究院)
深度神经网络(DNN)的知识产权(IP)很容易被代理模型攻击“窃取”。在分类任务中保护DNN模型的IP的解决方案已经取得了重大进展。然而,在图像处理任务中很少关注DNN的保护。通过利用一致的不可见空间水印,最近的一项工作首先考虑了深度图像处理网络的模型水印,并在许多下游任务中证明了其有效性。然而,它高度依赖于网络输出中嵌入的水印是一致的假设。当攻击者使用一些常见的数据增强攻击(例如,旋转、裁剪和调整大小),它将完全失败,因为底层水印一致性被破坏。为了解决这个问题,我们提出了一种新的水印方法,即“结构一致性”,基于此设计了一种新的深度结构对齐模型水印算法。具体地,嵌入的水印被设计为与物理上一致的图像结构(诸如边缘或语义区域)对齐。实验结果表明,该方法在抵抗数据增强攻击方面比基线方法具有更好的鲁棒性。此外,我们进一步测试了我们的方法的泛化能力和鲁棒性,以更广泛的规避攻击。
2021-08-05 cs.CR cs.CV
Rethinking White-Box Watermarks on Deep Learning Models under Neural Structural Obfuscation
Fudan University(复旦大学)
深度神经网络(DNN)的版权保护是人工智能公司的迫切需求。DNN水印是一种新兴的跟踪非法分发的模型副本的技术,用于在预测行为或模型内部嵌入和验证秘密身份消息。牺牲较少的功能和涉及更多关于目标DNN的知识,被称为\textit{white-box DNN watermarking}的后一个分支被认为是准确,可信和安全的,可以抵御大多数已知的水印删除攻击,学术界和业界都在进行新的研究工作。在本文中,我们首次系统地研究了主流白盒DNN水印如何容易受到\textit{dummy neurons}神经结构混淆的影响,这是一组可以添加到目标模型但保持模型行为不变的神经元。设计了一个全面的框架来自动生成和注入具有高隐蔽性的虚拟神经元,我们的新攻击集中修改了目标模型的架构,以抑制水印验证的成功。经过广泛的评估,我们的工作首次表明,9个已公布的水印方案需要修改其验证程序。
2023-03-17 cs.CR cs.LG
Reversible Quantization Index Modulation for Static Deep Neural Network Watermarking
Jinan University(暨南大学);Sun Yatsen University(中山大学)
针对静态DNN水印不可逆嵌入破坏模型的问题,提出基于RDH和QIM的可逆水印方案,采用一维量化器嵌入水印并设计完整性保护与合法认证方案,仿真证明其可行且优于现有方法。
2023-06-27 cs.AI cs.CR
Revisiting the Information Capacity of Neural Network Watermarks: Upper Bound Estimation and Beyond
Shanghai Jiao Tong University(上海交通大学)
本文从信息论角度重新定义深度神经网络水印容量,提出对抗覆写下紧致上界估计算法,并设计多轮验证的非侵入式方法在容量之外安全传输身份信息,揭示所有权完整性与模型性能退化之间的权衡。
2024-02-20 cs.AI cs.CR
REFIT: A Unified Watermark Removal Framework For Deep Learning Systems With Limited Data
UC Berkeley(加州大学伯克利分校);Tsinghua University(清华大学);Virginia Tech(弗吉尼亚理工大学);UIUC(伊利诺伊大学厄巴纳-香槟分校)
从头开始训练深度神经网络在计算上可能是昂贵的,并且需要大量的训练数据。最近的工作已经探索了不同的水印技术,以保护预训练的深度神经网络免受潜在的版权侵犯。然而,这些技术可能容易受到水印去除攻击。在这项工作中,我们提出了REFIT,这是一种基于微调的统一水印去除框架,它不依赖于水印知识,并且对各种水印方案都有效。特别是,我们进行了全面的研究,一个现实的攻击情况下,对手有有限的训练数据,这并没有被强调在以前的工作对水印方案的攻击。为了有效地去除水印,而不损害这种弱威胁模型下的模型功能,我们提出了两种技术,被纳入我们的微调框架:(1)弹性权重合并(EWC)算法的适应,这是最初提出的减轻灾难性遗忘现象;以及(2)未标记数据增强(AU),其中我们利用来自其他来源的辅助未标记数据。我们广泛的评估表明,REFIT对不同的水印嵌入方案的有效性。特别地,EWC和AU都显著减少了有效水印去除所需的标记训练数据的量,并且用于AU的未标记数据样本不一定需要从与用于模型评估的良性数据相同的分布中提取。实验结果表明,我们的微调为基础的水印去除攻击可能会对预训练模型的版权构成真正的威胁,从而突出了进一步研究的水印问题,并提出更强大的水印嵌入方案,以抵御攻击的重要性。
2021-03-25 cs.CR cs.LG
SoK: How Robust is Image Classification Deep Neural Network Watermarking? (Extended Version)
University of Waterloo(滑铁卢大学)
深度神经网络(DNN)水印是用于DNN模型的来源验证的方法。水印应该对水印去除攻击具有鲁棒性,水印去除攻击导出逃避起源验证的代理模型。已经提出了许多要求鲁棒性的水印方案,但是它们的鲁棒性仅在针对相对较小的攻击集合的隔离中被验证。没有系统的,经验的评估,这些索赔对一个共同的,全面的一套删除攻击。这种关于水印方案鲁棒性的不确定性导致难以信任它们在实践中的部署。在本文中,我们评估是否最近提出的水印方案,声称鲁棒性是强大的对一个大的删除攻击。我们调查的方法,从文献中,(i)是已知的删除攻击,(ii)推导出代理模型,但尚未被评估为删除攻击,(iii)新的删除攻击。权值移位和平滑再训练是适应于本文所述DNN水印方案的新的去除攻击。我们提出了水印方案和删除攻击的分类。我们的经验评估包括对CIFAR-10和ImageNet数据集上的每个攻击和水印方案的参数集进行消融研究。令人惊讶的是,没有一个调查的水印方案在实践中是鲁棒的。我们发现,该计划无法承受自适应攻击和已知的方法来推导代理模型,还没有被评估为删除攻击。这指出了目前评估鲁棒性的内在缺陷。我们表明,水印方案需要进行评估,对一个更广泛的一套更现实的对手模型的删除攻击。我们的源代码和完整的评估结果数据集是公开的,这允许独立验证我们的结论。
2021-08-11 cs.CR cs.LG
Piracy Resistant Watermarks for Deep Neural Networks
University of Chicago(芝加哥大学)
随着公司继续在更大、更准确、更强大的深度学习模型上投入巨资,他们正在探索在保护知识产权的同时将模型货币化的方法。模型许可是有前途的,但需要一个强大的工具,所有者声称模型的所有权,即水印。不幸的是,目前的设计还不能解决盗版攻击,其中第三方通过将他们自己的“盗版水印”嵌入到已经加水印的模型中来错误地声称模型所有权。我们观察到,对盗版攻击的抵抗从根本上与当前使用增量训练将水印嵌入模型不一致。在这项工作中,我们提出了空嵌入,这是一种将防盗版水印构建到DNN中的新方法,只能在模型的初始训练中进行。空嵌入将位串(水印值)作为输入,并在模型的正常分类精度和水印之间建立强依赖关系。因此,攻击者无法通过调整或增量训练来移除嵌入的水印,也无法向已加水印的模型添加新的盗版水印。我们的经验表明,我们提出的水印实现盗版阻力和其他水印属性,在广泛的任务和模型。最后,我们探索了一些自适应的对策,并显示我们的水印仍然对各种模型修改,包括模型微调,压缩和现有的方法来检测/删除后门强大。我们的水印模型也适合迁移学习,而不会失去其水印属性。
2020-12-02 cs.CR cs.LG stat.ML
Deep Learning-based Dual Watermarking for Image Copyright Protection and Authentication
Indian Institute of Technology Bhilai(印度比莱印度理工学院)
提出首个基于深度学习的双重不可见水印技术,利用加密哈希和感知哈希实现来源与内容认证及版权保护,对图像操纵鲁棒,且高PSNR和SSIM确保嵌入后图像变化极小。
2025-02-21 cs.AI cs.CR
FedReverse: Multiparty Reversible Deep Neural Network Watermarking
Jinan University(暨南大学);Renmin University of China(中国人民大学)
本文提出 FedReverse 多方可逆 DNN 水印方法,支持训练后多方协同嵌入、一致同意后完全移除,并通过 MLP 与 CNN 实验验证其安全性、可逆性及低准确率影响。
2023-12-10 cs.AI cs.CR
DeepHider: A Covert NLP Watermarking Framework Based on Multi-task Learning
Hainan University(海南大学)
自然语言处理(NLP)技术已经在诸如情感分析等应用中显示出巨大的商业价值。但是NLP模型很容易受到盗版再分发的威胁,损害了模型所有者的经济利益。数字水印技术是保护自然语言处理模型知识产权的有效手段。现有的NLP模型保护主要从提高安全性和鲁棒性两个方面来设计水印方案,但这些方案的安全性和鲁棒性存在以下问题:(1)水印难以抵御攻击者的欺诈声明,在验证过程中容易被人或异常检测器检测到并阻止验证。(2)水印模型不能同时满足多种鲁棒性要求。针对上述问题,提出了一种基于深度模型过参数化和多任务学习理论的NLP模型水印框架。具体而言,通过建立隐蔽触发集实现水印模型的无感知验证,并设计了一种新型的辅助网络来提高水印模型的鲁棒性和安全性。在两个基准数据集和三个主流NLP模型上对该框架进行了评估,结果表明,该框架可以成功地验证模型所有权,具有100%的验证准确率和高级的鲁棒性和安全性,而不会影响主机模型的性能。
2022-11-18 cs.AI cs.CR