Invisible Traces: Using Hybrid Fingerprinting to identify underlying LLMs in GenAI Apps
Indian Institute of Technology Roorkee(鲁尔基印度理工学院);Repello AI(Repello人工智能公司)
本文提出融合静态与动态指纹识别的混合框架,通过识别架构特征和行为特征,在模型频繁更新、多智能体及内部访问受限等真实场景下实现对 GenAI 应用中底层大语言模型的准确稳健识别与监控。
2025-02-07 cs.CR cs.LG
Scalable and Robust Mobile Activity Fingerprinting via Over-the-Air Control Channel in 5G Networks
本文首次利用5G网络中可解码的少量PDCCH消息实现小区扫描和用户移动活动跟踪,并提出无需人工特征提取的深度学习流量分类方法,在开源和商用5G测试平台上验证了其可扩展性与鲁棒性。
2024-09-19 cs.CR cs.NI
Inhibitory Attacks on Backdoor-based Fingerprinting for Large Language Models
China Agricultural University(中国农业大学)
本文提出两种新型攻击方法,针对大语言模型后门式指纹识别的鲁棒性进行评估,有效抑制指纹响应并提升系统性能。
2026-01-07 cs.CR
KinGuard: Hierarchical Kinship-Aware Fingerprinting to Defend Against Large Language Model Stealing
Zhejiang University(浙江大学);The University of Melbourne(墨尔本大学);National University of Singapore(新加坡国立大学);People’s Public Security University of China(中国人民公安大学);Shanghai Jiao Tong University(上海交通大学)
KinGuard通过构建基于亲属叙述的知识库,利用增量预训练内化知识,实现对大语言模型的高效且安全的指纹保护。
2026-01-21 cs.CR
ProFLingo: A Fingerprinting-based Intellectual Property Protection Scheme for Large Language Models
Virginia Tech(弗吉尼亚理工大学)
针对大语言模型衍生作品所有权判定难、现有知识产权保护方案适用性受限的问题,提出首个非侵入式黑盒指纹保护方案ProFLingo,通过生成专属查询建立指纹来验证模型衍生关系。
2024-09-10 cs.CR cs.LG
AttnDiff: Attention-based Differential Fingerprinting for Large Language Models
Zhejiang University of Technology(浙江工业大学);Zhejiang University(浙江大学);Binjiang Institute of Zhejiang University(浙江大学滨江研究院);Shanghai Jiao Tong University(上海交通大学);University of Science and Technology of China(中国科学技术大学)
本文提出AttnDiff,一种高效白盒框架,通过内在信息路由行为提取模型指纹,用于验证大语言模型的衍生关系,实现高相似度区分相关衍生模型与无关模型家族。
2026-11-03 cs.CR cs.LG
De-Anonymizing Text by Fingerprinting Language Generation
Cornell University(康奈尔大学);Cornell Tech(康奈尔理工学院);Tel Aviv University(特拉维夫大学)
机器学习系统的组件(尚未)被视为安全热点。安全编码实践,例如确保没有执行路径依赖于机密输入,尚未被ML开发人员采用。我们开始研究ML系统的代码安全性,通过调查核采样-一种用于生成文本的流行方法,用于自动完成等应用程序-无意中泄漏用户键入的文本。我们的主要结果是,许多自然英语单词序列的核大小的系列是一个独特的指纹。然后,我们展示了攻击者如何通过合适的侧通道(例如,缓存访问时间),解释这种攻击如何帮助匿名文本去匿名化,并讨论防御措施。
2020-11-03 cs.CL cs.CR cs.LG
LLM Fingerprinting via Semantically Conditioned Watermarks
ETH Zurich(苏黎世联邦理工学院)
本研究提出一种基于语义条件水印的大语言模型指纹识别方法,通过在特定语义领域内扩散统计水印信号,实现隐蔽且鲁棒的指纹检测与所有权验证。
2026-02-19 cs.CR cs.LG
Instructional Fingerprinting of Large Language Models
Harvard(哈佛大学);USC(南加州大学);UCLA(加利福尼亚大学洛杉矶分校);UW Seattle(华盛顿大学西雅图分校);UW-Madison(威斯康星大学麦迪逊分校);UC Davis(加利福尼亚大学戴维斯分校)
本文提出一种基于轻量级指令微调的 LLM 指纹方法,通过保密私钥触发指令后门验证所有权,实验表明其不影响正常行为,并具备防过度主张、抗猜测和多阶段指纹能力。
2024-04-03 cs.AI cs.CL cs.CR
Copyright Protection for Large Language Models: A Survey of Methods, Challenges, and Trends
Zhejiang University(浙江大学);Binjiang Institute of Zhejiang University(浙江大学滨江研究院)
本文综述了大型语言模型版权保护现状,重点探讨了模型指纹技术,涵盖文本水印与模型水印的关联、多种文本水印技术对比、模型指纹分类、指纹转移与去除技术及评估指标,揭示了开放挑战与未来研究方向。
2026-04-07 cs.CR
Fingerprint Vector: Enabling Scalable and Efficient Model Fingerprint Transfer via Vector Addition
针对基于继承的模型指纹识别存在的局限,提出指纹向量机制,通过向量加法实现指纹在下游模型的高效迁移,在多架构及下游变体中保持优效性、无害性和鲁棒性,兼具可扩展性。
2025-08-26 cs.CL cs.CR cs.LG
Fingerprinting Cryptographic Protocols with Key Exchange using an Entropy Measure
加密技术越来越多地应用于各种应用中,但同时也给网络安全带来了巨大的挑战。在本文中,我们采取了第一步,通过引入一种新的系统来识别密钥交换协议,如果加密密钥没有预先共享,通常需要解决这些挑战。我们观察到,密钥交换协议产生某些模式的高熵数据块,例如,在密钥材料中发现的。本文提出了一种多分辨率的高熵数据块精确检测方法和一种可伸缩指纹的生成方法。我们提供- vide的实验证据表明,我们的方法具有很大的潜力,通过其独特的密钥交换识别加密协议,并进一步检测恶意软件流量,包括定制的密钥交换协议。
2017-12-16 cs.CR
LLMmap: Fingerprinting For Large Language Models
RSAC Labs(RSAC实验室);George Mason University(乔治梅森大学)
该研究提出LLMmap这一针对集成LLM应用的指纹识别技术,通过主动发送精心设计的查询并分析响应,以最少8次交互、95%以上准确率识别42种LLM版本,且对不同应用层鲁棒。
2025-02-10 cs.AI cs.CR
Scalable Data Classification for Security and Privacy
Facebook(脸书)
基于内容的数据分类是一个开放的挑战。传统的数据丢失防护(DLP)类系统通过对相关数据进行指纹识别并监控端点以获取指纹数据来解决这个问题。由于Facebook中有大量不断变化的数据资产,这种方法在发现什么数据在哪里方面既不具有可扩展性,也没有效率。本文是关于一个端到端系统,该系统旨在大规模检测Facebook中的敏感语义类型,并自动执行数据保留和访问控制。这里描述的方法是我们的第一个端到端隐私系统,它试图通过结合数据信号、机器学习和传统的指纹识别技术来解决这个问题,以映射和分类Facebook内的所有数据。所描述的系统在生产中实现了各种隐私类别的平均F2分数为0.9+,同时处理数十个数据存储中的大量数据资产。
2020-07-06 cs.AI cs.CR cs.CY
SELF: A Robust Singular Value and Eigenvalue Approach for LLM Fingerprinting
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
SELF通过奇异值和特征值分解LLM注意力权重,提出一种鲁棒的指纹识别方法,有效抵御虚假声明和权重操纵,提升知识产权保护能力。
2026-10-28 cs.AI cs.CL cs.CR
MEraser: An Effective Fingerprint Erasure Approach for Large Language Models
Zhejiang University(浙江大学);Indiana University(印第安纳大学);Hangzhou City University(杭州市大学)
本文提出MEraser方法,通过两阶段微调利用不匹配与干净数据集,在少于1000个样本的条件下有效移除大语言模型中的后门指纹并保持性能,同时引入可迁移擦除机制,揭示现有指纹技术的漏洞。
2025-08-26 cs.AI cs.CR
DNF: Dual-Layer Nested Fingerprinting for Large Language Model Intellectual Property Protection
Zhejiang University(浙江大学);Binjiang Institute of Zhejiang University(浙江大学滨江学院);Hangzhou Dianzi University(杭州电子科技大学);Hefei University of Technology(合肥工业大学)
DNF通过结合领域特定风格线索和隐含语义触发器,实现大语言模型的隐蔽知识产权保护。
2026-01-21 cs.AI cs.CR
Fingerprinting Multimodal Large Language Models
University of Science and Technology of China(中国科学技术大学)
针对多模态大语言模型易受非法部署和蒸馏侵权的问题,提出AttnPrint(基于跨模态注意力低频分量的白盒指纹)和DistillTrace(基于输出假设检验的黑盒审计),在154个模型实例上实现强检测性能与鲁棒性。
2026-09-18 cs.AI cs.CR
Prompt2Fingerprint: Plug-and-Play LLM Fingerprinting via Text-to-Weight Generation
Shenzhen International Graduate School, Tsinghua University, Shenzhen, China(清华大学深圳国际研究生院,中国深圳);South China University of Technology, Guangzhou, China(华南理工大学,中国广州);Harbin Institute of Technology, Shenzhen, Shenzhen, China(哈尔滨工业大学深圳校区,中国深圳)
本文提出Prompt2Fingerprint框架,将LLM指纹生成重新定义为条件参数生成任务,通过专用生成器将文本描述直接映射到低秩参数增量,实现无需进一步模型微调的即插即用LLM指纹注入,显著降低计算开销,提供可扩展且即时的LLM所有权管理解决方案。
2026-05-19 cs.AI cs.CL cs.CR
Texture to the Rescue: Practical Paper Fingerprinting based on Texture Patterns
在本文中,我们提出了一种新的纸张指纹识别技术的基础上,分析半透明的图案时,光源照射通过纸张。这些图案代表了纸张的固有纹理,是在制造过程中由木质颗粒随机交织而成的。我们表明,这些模式可以很容易地被商品相机捕获,并浓缩成一个紧凑的2048位指纹代码。在这一领域的突出作品(Nature 2005,IEEE S&P 2009,CCS 2011)都集中在基于纸“表面”的纸指纹识别上。我们的动机是观察到,单独捕获表面错过了重要的独特特征,如不均匀的厚度,杂质的随机分布,以及纸张中不同的材料具有不同的不透明度。通过实验,我们证明了嵌入的纸张纹理比表面上的特征提供了更可靠的指纹来源。基于收集的数据集,我们实现了0%的错误拒绝率和0%的错误接受率。我们进一步报告说,我们提取的指纹包含807个自由度(DoF),这远远高于虹膜代码的249个DoF(具有相同的2048位大小)。基于纹理的指纹的大量DoF使得我们的方法在非常大的数据库中识别时具有极高的可扩展性;它还允许在基于纠错技术的隐私保护认证方案中安全使用提取的指纹。
2019-05-07 cs.CR
SignCRF: Scalable Channel-agnostic Data-driven Radio Authentication System
InterDigital Inc.(InterDigital公司)
通过深度学习进行射频指纹识别(RFFDL)是一种数据驱动的物联网身份验证技术,它利用与特定设备相关联的独特硬件级制造缺陷,基于传输波形中引入的变化来识别(指纹识别)设备。拟议的SignCRF是一个可扩展的,信道无关的,数据驱动的无线电认证平台,具有无与伦比的精度指纹无线设备的基础上,他们独特的制造缺陷和独立的动态信道的不规则性所造成的流动性。SignCRF包括:(i)经过精细训练的基线分类器,用于以高精度和大规模认证设备;(ii)经过精心设计和训练的环境翻译器,用于消除RF信号的动态信道影响,同时保持无线电的特定签名;(iii)最大规则模块,用于在基线分类器和环境翻译器之间选择最高精度的认证技术。我们设计、训练和验证SignCRF在动态环境中和大规模(100个LoRa和20个WiFi设备)中用于多种技术的性能。我们证明,SignCRF显著提高了RFFDL性能,与最先进的技术相比,WiFi和LoRa设备的正确认证分别提高了5倍和8倍。
2023-03-21 cs.AI cs.CR cs.LG
SoK: Large Language Model Copyright Auditing via Fingerprinting
The State Key Laboratory of Blockchain and Data Security(区块链与数据安全国家重点实验室);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新技术区(滨江)区块链与数据安全研究院);Nanyang Technological University(南洋理工大学);City University of Hong Kong(香港城市大学);Sun Yat-Sen University(中山大学)
本文针对大语言模型版权侵权审计问题,首次系统梳理LLM指纹识别技术并提出统一分类框架,构建了首个真实场景下的评估基准LeaFBench,通过实验明确现有方法优劣势与未来研究方向。
2025-11-17 cs.AI cs.CL cs.CR
Language Model Fingerprinting Requires Rethinking Watermark Teachers
Pohang University of Science and Technology(浦项科技大学);University of Washington(华盛顿大学)
本文重新审视LLM指纹识别中的水印教师选择,提出近并列限制方法,通过top-1相对logit差距放置稀疏水印信号,在多个模型上改善了检测与质量的权衡。
2026-10-06 cs.AI cs.CR
Beyond QA Matching: Perturbation-Response Fingerprinting via Probability Distributions for Large Language Models
Guizhou Normal University(贵州师范大学);Shanghai University(上海大学)
本文提出BReF,一种无需训练的指纹方法,通过比较概率分布在扰动下的响应方向,在34个检查点基准上以MRR=1.0000准确识别模型来源,优于仅基于幅度的对照。
2026-09-09 cs.CR
Fingerprinting web servers through Transformer-encoded HTTP response headers
本文提出利用BPE分词器与RoBERTa编码器对HTTP响应状态行进行无监督表示学习,并结合随机森林和MLP对Web服务器类型及版本进行分类,在477万域名实验上取得优于规则系统的指纹识别效果。
2024-03-26 cs.CR cs.LG cs.NI
LLMs Have Rhythm: Fingerprinting Large Language Models Using Inter-Token Times and Network Traffic Analysis
College of Science and Engineering (CSE), Hamad Bin Khalifa University (HBKU)(哈马德·本·卡伊夫大学科学与工程学院);Networked Systems Security Group, KTH Royal Institute of Technology -- Stockholm, Sweden(瑞典皇家理工学院网络系统安全组)
本文提出一种被动、非侵入的实时指纹识别方法,通过测量令牌间时间(ITTs)并利用网络流量分析,在加密条件下高精度识别不同大型语言模型,涵盖多种部署场景,提升模型部署安全性与可信度。
2025-02-27 cs.AI cs.CL cs.CR
Your "Pro" LLM Subscription May Actually Be "Free": Exposing Fingerprint Spoofing Risks in LLM Inference Services
The Pennsylvania State University(宾夕法尼亚州立大学)
提出指纹欺骗攻击,恶意服务商通过参数高效微调弱模型模仿强模型,绕过用户指纹验证;理论证明用户资源限制导致指纹易被欺骗,并设计GhostPrint攻击框架,实验表明其能以低成本持续绕过主流指纹方法。
2026-06-16 cs.CL cs.CR cs.LG
Hide and Seek: Fingerprinting Large Language Models with Evolutionary Learning
本文提出“Hide and Seek”黑盒指纹方法,通过 Auditor LLM 与 Detective LLM 的进化式提示生成和响应分析识别模型家族,达到 72% 准确率。
2024-08-06 cs.AI cs.CR
One Token Is Enough: Fingerprinting and Verifying Large Language Models from Single-Token Output Distributions
Faculty of Informatics and Statistics, Prague University of Economics and Business(信息与统计学院,布拉格经济与商业大学)
研究如何从大语言模型单令牌输出分布中进行指纹识别和验证。通过定义行为指纹,利用对简单提示的回答分布,实现模型谱系恢复和验证,还发现生态系统异常,且相关协议等已发布。
2026-07-14 cs.CL cs.CR cs.LG
FPEdit: Robust LLM Fingerprinting through Localized Parameter Editing
University of Science and Technology of China(中国科学技术大学);State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
FPEdit通过局部参数编辑注入语义连贯自然语言指纹,解决现有指纹技术的局限,实现高指纹保留率、抗检测性与模型效用保留,大幅降低资源需求,用于大语言模型来源验证。
2026-07-30 cs.AI cs.CR
MergePrint: Merge-Resistant Fingerprints for Robust Black-box Ownership Verification of Large Language Models
Institute of Science Tokyo(东京科学研究所);The University of Tokyo(东京大学);SB Intuitions
本文提出 MergePrint 指纹方法,通过伪合并模型优化与指纹输入预优化,在黑盒条件下验证大语言模型所有权,并抵抗模型合并及其他窃取威胁。
2025-05-16 cs.CR cs.LG
Hey, That's My Model! Introducing Chain & Hash, An LLM Fingerprinting Technique
Microsoft(微软)
提出一种基于链与哈希的LLM指纹识别框架,通过加密绑定提示与响应防止碰撞,并利用随机填充和元提示配置增强鲁棒性,实现可验证的所有权证明。
2026-07-02 cs.AI cs.CR
CoTSRF: Utilize Chain of Thought as Stealthy and Robust Fingerprint of Large Language Models
Fudan University(复旦大学)
本文提出CoTSRF,利用思维链作为LLM指纹,通过对比学习提取特征并比较KL散度,实现隐蔽且稳健的指纹验证。
2025-05-22 cs.AI cs.CR
SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出SeedPrints方法,通过随机初始化偏倚实现LLM的内在指纹识别,解决了传统指纹方法在大规模预训练阶段可靠性不足的问题,实现了从初始化到全生命周期的身份验证。
2026-04-14 cs.AI cs.CL cs.CR
Anti-Counterfeiting for Polymer Banknotes Based on Polymer Substrate Fingerprinting
聚合物钞票是印刷货币的趋势,已被全球50多个国家采用。然而,在过去的几年里,聚合物假冒品的数量一直在增加,假冒品的质量也在增加。这表明,采用新的聚合物技术来打击假冒的最初优势正在减少。为了保持领先伪造者一步,我们提出了一种新的防伪技术,称为聚合物基底指纹(PSF)。我们的技术是建立在这样的观察基础上的:不透明涂层是聚合物钞票生产过程中的关键步骤,是一个随机的制造过程,在涂层中留下不均匀的厚度和油墨中杂质的随机分散。当聚合物钞票被光源背光时,涂层中的缺陷导致随机的半透明图案。我们证明了这些图案可以被商品底片扫描仪可靠地捕获,并被处理成紧凑的指纹,以唯一地识别每张钞票。使用从340张英国钞票中收集的6,200张样本图像的广泛数据集,我们表明我们的方法可以可靠地验证钞票,并且对日常处理钞票具有鲁棒性。此外,我们发现提取的指纹包含约900位熵,这使得它具有极强的可扩展性,以识别全球流通的每一个聚合物笔记。与以前或现有的纸币防伪机制相比,我们的方法具有独特的优势:即使在极端情况下,当伪造者购买了与合法政府使用的相同的印刷设备和油墨时,伪造纸币仍然是不可行的,因为难以复制随机制造过程。
2021-03-23 cs.CR
Textual Fingerprinting with Texts from Parkin, Bassewitz, and Leander
University of Luxembourg(卢森堡大学);JW Goethe-University Frankfurt am Main(法兰克福大学)
目前的研究在作者剖析发现一个合法的作者的指纹不仅遵循检查的基础上统计参数,但包括越来越多的动态方法,可以学习,并作出反应,适应作者的具体行为。但是如何恰当地表示文本仍然是文本的基本任务之一,而应该使用哪个属性来识别作者的风格的问题仍然没有确切的定义。在这项工作中,我们专注于语言选择的属性指纹的作者帕金,Bassewitz和利安德的风格。我们使用童话类型的文本,因为它具有清晰的风格和较短的文本,故事情节简单,语言简单。
2008-02-15 cs.CL cs.CR
iSeal: Encrypted Fingerprinting for Reliable LLM Ownership Verification
iSeal通过在模型和外部模块中注入独特特征,结合纠错机制和相似性验证策略,实现对模型窃贼全程控制下的可靠LLM所有权验证,有效抵御指纹反学习和响应操控等攻击。
2026-03-19 cs.AI cs.CR
DySign: Dynamic Fingerprinting for the Automatic Detection of Android Malware
Android操作系统的惊人普及,不仅在智能手机和平板电脑中,而且在物联网设备中,使这个操作系统成为恶意软件威胁的非常诱人的目标。事实上,后者正在以类似的速度扩张。在这方面,恶意软件指纹,无论是基于加密还是模糊散列,都是抵御此类攻击的第一道防线。模糊散列指纹适用于捕获恶意软件静态特征。此外,它们对恶意软件文件的实际静态内容的微小变化更具弹性。另一方面,动态分析是另一种恶意软件检测技术,它使用仿真环境来提取Android恶意软件的行为特征。然而,据我们所知,没有这样的指纹技术,利用动态分析,并将作为第一个防御Android恶意软件攻击。在本文中,我们解决了以下问题:我们可以生成有效的指纹Android恶意软件通过动态分析?为此,我们提出了DySign,一种新的技术指纹Android恶意软件的动态行为。这是通过从对现有已知恶意软件的恶意软件样本的动态分析生成摘要来实现的。值得一提的是:(i)DySign指纹近似于动态分析期间观察到的行为,以便实现对未来恶意软件变体行为中的微小变化的弹性;(ii)指纹计算与分析的恶意软件样本或系列无关。DySign利用最先进的自然语言处理(NLP)技术来生成上述指纹,然后利用这些指纹构建具有家庭归属的增强型Android恶意软件检测系统。
2017-02-19 cs.CR
EverTracer: Hunting Stolen Large Language Models via Stealthy and Robust Probabilistic Fingerprint
针对大语言模型被盗用的问题,提出灰盒指纹框架EverTracer,将成员推理攻击转用于防御,通过记忆嵌入所有权信号,兼具隐蔽性与鲁棒性,实验验证其为保护LLM知识产权的实用方案。
2025-09-03 cs.CR
Reading Between the Lines: Towards Reliable Black-box LLM Fingerprinting via Zeroth-order Gradient Estimation
Zhejiang University(浙江大学);Nanyang Technological University(南洋理工大学);City University of Hong Kong(香港城市大学)
本文提出ZeroPrint方法,通过零阶梯度估计在黑盒环境下实现更可靠的LLM指纹识别,有效提升指纹识别的准确性和鲁棒性。
2026-01-21 cs.AI cs.CL cs.CR
UTF:Undertrained Tokens as Fingerprints A Novel Approach to LLM Identification
Shanghai Jiao Tong University(上海交通大学);Northwestern University(西北大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出UTF方法,利用训练不足的词元通过有监督微调将特定输入-输出对嵌入LLM以实现唯一指纹,该方法开销小、无需白盒访问,且对微调和随机猜测具有更强鲁棒性。
2025-07-12 cs.AI cs.CR
PREE: Towards Harmless and Adaptive Fingerprint Editing in Large Language Models via Knowledge Prefix Enhancement
针对大语言模型指纹易被微调擦除和特征防御破坏的问题,本文提出 PREE 前缀增强指纹编辑框架,通过双通道知识编辑隐蔽嵌入版权信息,在 LLaMA-3 和 Qwen-2.5 上实现 90% 触发精度、零误报率及参数变化率低于 0.03。
2025-08-31 cs.CR
SRAF: Stealthy and Robust Adversarial Fingerprint for Copyright Verification of Large Language Models
Zhejiang University(浙江大学);Communication University of China(中国传媒大学);Chongqing University(重庆大学)
提出SRAF框架,通过协同联合优化和困惑度隐藏技术,在多种模型修改下实现鲁棒且隐蔽的对抗指纹,用于大语言模型所有权验证。
2026-09-21 cs.CR
The Challenge of Identifying the Origin of Black-Box Large Language Models
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);NetApp(NetApp公司);TikTok Inc.(TikTok公司)
针对黑盒大语言模型来源识别难题,提出PlugAE方法,利用对抗性嵌入与自定义版权令牌,在准确性和鲁棒性上超越现有水印与指纹方法,并验证了其实用性。
2026-09-23 cs.CR cs.LG
DuFFin: A Dual-Level Fingerprinting Framework for LLMs IP Protection
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Jilin University(吉林大学)
DuFFin通过双层指纹框架在黑盒环境下实现LLM知识产权验证,准确识别模型来源并达到高验证精度。
2026-01-31 cs.AI cs.CL cs.CR
Fingerprinting LLMs via Prompt Injection
Duke University(杜克大学);Ant Group(蚂蚁集团)
本文提出LLMPrint框架,通过利用LLM对提示注入的固有脆弱性来构建指纹,以解决已发布模型的溯源问题,其核心方法是优化提示以获得唯一且抗后处理的指纹,实验显示其在高召回率下保持低误报率。
2026-05-19 cs.CL cs.CR
EditMF: Drawing an Invisible Fingerprint for Your Large Language Models
本文提出免训练指纹范式EditMF,通过加密知识库三元组与零空间更新实现高隐蔽、低开销的大语言模型所有权验证,鲁棒性远超LoRA并接近SFT。
2025-08-12 cs.AI cs.CR
A Behavioral Fingerprint for Large Language Models: Provenance Tracking via Refusal Vectors
Department of Computer Science, Texas Tech University(计算机科学系,塔尔萨大学)
本文提出通过拒绝向量进行大型语言模型溯源追踪的方法,开发了稳健的行为指纹系统,并验证其在知识产权保护中的有效性。
2026-02-10 cs.AI cs.CR
A Large-Scale Benchmark and Risk Assessment of Traffic Analysis Attacks on Cloud LLM Services
Chalmers University of Technology(查尔姆斯理工大学);University of Texas at El Paso(德克萨斯大学埃尔帕索分校);Old Dominion University(奥多明尼昂大学);George Mason University(乔治梅森大学)
本研究构建首个大规模加密LLM流量基准,评估流量分析攻击风险,发现模型、提示词及多智能体任务可被高精度识别,提示词重述仅部分削弱泄露。
2026-10-27 cs.AI cs.CR cs.LG