AI 中文总结
研究针对DNN二进制文件面临的模型被盗取风险，提出FLOB混淆框架，利用混合布尔算术变换保护其中的浮点计算，该方法能在保持计算正确性时灵活权衡保护与性能，有效降低算子恢复率。
AI 中文摘要
深度神经网络（DNN）已成为现代计算系统的基础组件，广泛应用于计算机视觉、边缘智能等领域。为了实现低延迟和数据隐私，DNN模型越来越多地被编译成可执行文件并部署在本地设备上，但这也使模型面临被盗取的风险。现有的代码混淆方案主要针对传统程序，不适用于DNN二进制文件。本文提出了FLOB混淆框架，利用混合布尔算术（MBA）变换保护DNN二进制文件中的浮点计算。该方法将浮点值提升到更高精度的二进制扩展空间，在表示层执行MBA变换，计算在提升空间中完全进行，最后结果投影回目标精度。实验结果表明，FLOB在对抗现有逆向工程分析器和反混淆器方面优于现有混淆方案，在保持计算正确性的同时不引入额外数值误差，能在保护和性能之间灵活权衡。具体而言，FLOB将算子恢复率平均降低到4.51%，比现有方法降低了32.82个百分点。
英文摘要
This submission was made prematurely and has been withdrawn by the authors for substantial revision before further dissemination.
CommentsThis submission was made prematurely. The authors withdraw it to substantially revise the manuscript before further dissemination
