CN111581671B - 一种深度神经网络与区块链相结合的数字护照保护方法 - Google Patents

一种深度神经网络与区块链相结合的数字护照保护方法 Download PDF

Info

Publication number
CN111581671B
CN111581671B CN202010391377.XA CN202010391377A CN111581671B CN 111581671 B CN111581671 B CN 111581671B CN 202010391377 A CN202010391377 A CN 202010391377A CN 111581671 B CN111581671 B CN 111581671B
Authority
CN
China
Prior art keywords
passport
neural network
deep neural
signature
block chain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010391377.XA
Other languages
English (en)
Other versions
CN111581671A (zh
Inventor
范力颖
姚云竞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daocheng Technology Nanjing Co ltd
Original Assignee
Daocheng Technology Nanjing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daocheng Technology Nanjing Co ltd filed Critical Daocheng Technology Nanjing Co ltd
Priority to CN202010391377.XA priority Critical patent/CN111581671B/zh
Publication of CN111581671A publication Critical patent/CN111581671A/zh
Application granted granted Critical
Publication of CN111581671B publication Critical patent/CN111581671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Storage Device Security (AREA)

Abstract

本发明属于知识产权保护技术领域，提供了一种深度神经网络与区块链相结合的数字护照保护方法，包括：S101：初始化公开数字护照Pg、私有数字护照Ps以及计时器T；S102：各区块链节点基于公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练，同时计时器T针对各区块链节点的训练过程进行计时；S103：根据各区块链节点训练过程花费的时间以及各区块链节点训练过程的输出结果选出具有发布权的区块链节点；S104：具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果进行存储并修改。本发明的一种深度神经网络与区块链相结合的数字护照保护方法，支持深度神经网络所有者对侵权行为的追诉权。

Description

一种深度神经网络与区块链相结合的数字护照保护方法
技术领域
本发明涉及知识产权保护技术领域，具体涉及一种深度神经网络与区块链相结合的数字护照保护方法。
背景技术
深度神经网络：也简称神经网络或者网络，是指在二十一世纪初取得重大突破的人工智能技术。其基本特征是通过多层次的，由局部到全局的特征提取，来学习对输入信号的智能处理能力。输入信号可以是一维的语音信号，也可以是高维度的图像，视频等多媒体数字信号。针对给定的数字信号样本，深度学习算法通过调整及优化深度神经网络的海量参数，来掌握所需要的数据处理能力。不同的数字样本和网络结构，决定了神经网络不同类型的数据处理能力。不同的网络参数值，则决定了同一类处理能力的能力高低。在网络结构上，深度神经网络有多种不同形式(如卷积神经网络CNN，递归神经网络RNN，生成对抗网络GAN等等)。在应用功能上，神经网络可以用于语音识别，自然语言处理NLP，计算机视觉CV，大数据挖掘等等。在运算载体上，神经网络可以运行在计算机中央处理器(CPU)，图形加速器(GPU)，张量处理器(TPU)，专用人工智能芯片，云计算中心，移动设备，可穿戴设备，智能视频终端，车载设备及其他交通工具，物联网设备(IoT devices)等中。
专利号为：CN109919303A的运用自锁机制保护深度神经网络的方法，系统及终端，公开了运用自锁机制对深度神经网络进行知识产权进行保护的方法，包括：用于运用所述自锁机制的预定数字密匙；用于运用所述自锁机制的学习训练数据样本；配合所述的预定数字密匙和所述的学习训练数据样本，对所述任意深度神经网络进行自锁的可执行指令；配合所述的预定数字密匙，对所述的自锁深度神经网络合法使用的可执行指令；当没有给出所述的预定数字密匙时，对自锁的深度神经网络进行保护的可执行指令；配合所述的预定数字密匙，对被非法解锁的所述深度神经网络证明其归属权的可执行指令；专利号为：CN110610082A的一种基于DNN用于护照抵御模糊攻击的方法，公开了DNN模型，所述DNN模型所有权验证方案包括嵌入过程E、保真度评估过程F、签名验证过程V和可逆过程I。上述两个专利文件虽然能够证明及保护深度神经网络的归属权，但其使用的数字护照必须由知识产权权益方，私有保存且不能泄露。这个局限对知识产权的验证，造成诸多不便。
因此，对深度神经网络的知识产权保护有刻不容缓的急迫需求，为了保护深度神经网络不被盗用、滥用以及非法牟利，急需一种能够证明及保护深度神经网络归属权的方法。
发明内容
针对现有技术中的缺陷，本发明提供的一种深度神经网络与区块链相结合的数字护照保护方法，不仅能够降低神经网络训练所需要的时间，保证深度神经网络的合法使用权，而且，支持深度神经网络所有者对侵权行为的追诉权，方便区块节点的各方加以验证。
为了解决上述技术问题，本发明提出以下技术方案：
一种深度神经网络与区块链相结合的数字护照保护方法，包括以下步骤：
S101：初始化公开数字护照Pg、私有数字护照Ps以及计时器T；
S102：各区块链节点基于公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练，同时计时器T针对各区块链节点的训练过程进行计时；
S103：根据各区块链节点训练过程花费的时间以及各区块链节点训练过程的输出结果选出具有发布权的区块链节点：如果某一区块链节点训练过程的输出结果不满足给定的条件，该区块链节点没有发布权；相反，该区块链节点具有发布权，并从具有发布权的多个区跨链节点中选出花费时间最少的区块链节点作为具有发布权的区块链节点；
S104：具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改。
进一步地，所述步骤S102中各区块链节点根据公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练的过程包括：
S10201：训练深度神经网络W参数并分别得到私有护照签名S1和公开护照签名S2：各区块链节点基于深度神经网络模型训练深度神经网络W参数，同时嵌入私有数字护照Ps和公开数字护照Pg，通过深度神经网络护照层分别输出私有护照签名S1和公开护照签名S2；
S10202：得到本地存储的私有数字护照签名S'1和待公布的数字护照签名S'2：通过签名变换函数Ts对私有护照签名S1进行提取，得到S'1＝Ts(S1)；通过签名变换函数Ts对公开护照签名S2进行提取，得到S'2＝Ts(S2)，待公布的数字护照签名S'2用于作为各区块链节点的输出结果判断是否满足给定的条件。
进一步地，所述步骤S104中具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改的过程包括：
S10401：将公开数字护照Pg、待公布的数字护照签名S'2和签名变换函数Ts的数据内容封装以隐私存证的方式存储到区块链的首个区块头部，记为Pg1，S'21和Ts1；
S10402：修改深度神经网络W参数，将第N次修改后深度神经网络W参数记为WN，通过深度神经网络护照层输出修改后的公开护照签名S2N，通过签名变换函数TsN对公开护照签名S2N进行提取，得到第N次修改后待公布的数字护照签名S'2N＝TSN(S2N)，待公布的数字护照签名S'2N＝TSN(S2N)作为判断区块链节点是否具有发布权的给定条件，将公开的护照签名PgN、待公布的数字护照签名S'2N和签名变换函数TsN以隐私存证的方式存储到第N个区块头部，其中，公开的护照签名PgN、签名变换函数TsN均为第N个区块头部中预先存储的参数，N＝(2,3,...,n)。
进一步地，所述步骤S10201中深度神经网络护照层输出的私有护照签名S1＝TW(Ps)，所述步骤S10201中深度神经网络护照层输出的公开护照签名S2＝TW(Pg)，TW为由深度神经网络W参数决定的护照层输出的二值化变换。
进一步地，所述私有护照签名S1和所述公开护照签名S2为二进制格式。
由上述技术方案可知，本发明的有益效果：各区块链节点通过使用深度神经网络模型训练神经网络参数得到获得训练结果，并通过判定训练结果满足给定条件且用时最少的区块节点作为发布节点，通过在具有发布权的区块节点中进行数据存储和数据修改，不仅能够降低神经网络训练所需要的时间，保证深度神经网络的合法使用权，而且，支持深度神经网络所有者对侵权行为的追诉权，方便区块节点的各方加以验证。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的流程图；
图2为本发明中步骤S102中各区块链节点根据公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练过程的流程图；
图3为本发明中步骤S104中具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改过程的流程图；
图4为本发明中区块节点的结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
请参阅图1，本实施例提供的一种深度神经网络与区块链相结合的数字护照保护方法，包括以下步骤：
S101：初始化公开数字护照Pg、私有数字护照Ps以及计时器T；
S102：各区块链节点基于公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练，同时计时器T针对各区块链节点的训练过程进行计时；
S103：根据各区块链节点训练过程花费的时间以及各区块链节点训练过程的输出结果选出具有发布权的区块链节点：如果某一区块链节点训练过程的输出结果不满足给定的条件，该区块链节点没有发布权；相反，该区块链节点具有发布权，并从具有发布权的多个区跨链节点中选出花费时间最少的区块链节点作为具有发布权的区块链节点；
S104：具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改。
在实际使用中，各区块链节点通过使用深度神经网络模型训练神经网络参数得到获得训练结果，并通过判定训练结果满足给定条件且用时最少的区块节点作为发布节点，通过在具有发布权的区块节点中进行数据存储和数据修改，不仅能够降低神经网络训练所需要的时间，保证深度神经网络的合法使用权，而且，支持深度神经网络所有者对侵权行为的追诉权，方便区块节点的各方加以验证。
参阅图2，所述步骤S102中各区块链节点根据公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练的过程包括：
S10201：训练深度神经网络W参数并分别得到私有护照签名S1和公开护照签名S2：各区块链节点基于深度神经网络模型训练深度神经网络W参数，同时嵌入私有数字护照Ps和公开数字护照Pg，通过深度神经网络护照层分别输出私有护照签名S1和公开护照签名S2；
S10202：得到本地存储的私有数字护照签名S'1和待公布的数字护照签名S'2：通过签名变换函数Ts对私有护照签名S1进行提取，得到S'1＝Ts(S1)；通过签名变换函数Ts对公开护照签名S2进行提取，得到S'2＝Ts(S2)，待公布的数字护照签名S'2用于作为各区块链节点的输出结果判断是否满足给定的条件。
在实际使用中，在各区块链节点中运行深度神经网络模型，得到本地存储的私有数字护照签名S′1和待公布的数字护照签名S′2，其中，本地存储的私有数字护照签名S'1用于权利人进行私有存储，方便权利人方对侵权行为进行取证，待公布的数字护照签名S′2用于各方进行共同认证，方便各方进行共同验证。
参阅图3和图4所示，所述步骤S104中具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改的过程包括：
S10401：将公开数字护照Pg、待公布的数字护照签名S'2和签名变换函数Ts的数据内容封装以隐私存证的方式存储到区块链的首个区块头部，记为Pg1，S'21和Ts1；
S10402：修改深度神经网络W参数，将第N次修改后深度神经网络W参数记为WN，通过深度神经网络护照层输出修改后的公开护照签名S2N，通过签名变换函数TsN对公开护照签名S2N进行提取，得到第N次修改后待公布的数字护照签名S'2N＝TSN(S2N)，待公布的数字护照签名S'2N＝TSN(S2N)作为判断区块链节点是否具有发布权的给定条件，将公开的护照签名PgN、待公布的数字护照签名S'2N和签名变换函数TsN以隐私存证的方式存储到第N个区块头部，其中，公开的护照签名PgN、签名变换函数TsN均为第N个区块头部中预先存储的参数，N＝(2,3,...,n)。
在实际使用中，N个区块头部中预先存储的参数包括：公开的护照签名PgN、签名变换函数TsN，其中，N＝(2,3,...,n)，如果区块链节点对深度神经网络W参数进行N次优化，则，将N次优化后的深度神经网络参数记为WN，由深度神经网络WN参数决定的护照层输出的公开护照签名为S2N，最后经过签名变换函数TsN对公开护照签名S2N进行提取，得到第N次优化后待公布的数字护照签名S'2N＝TSN(S2N)，将N次优化后的数字护照签名S'2N存储到第N个区块头部，N个区块头部之通过哈希值建立联系，便于对深度神经网络WN参数进行持续不断地优化，并保证护照的使用权是不可篡改的。
在本实施例中，所述步骤S10201中深度神经网络护照层输出的私有护照签名S1＝TW(Ps)，所述步骤S10201中深度神经网络护照层输出的公开护照签名S2＝TW(Pg)，TW为由深度神经网络W参数决定的护照层输出的二值化变换。
在实际使用中，通过优化深度神经网络W参数，从而实现对护照层输出二值化变换TW进行优化，进而实现对数字护照签名S'2N进行优化的特点。
在本实施例中，所述私有护照签名S1和所述公开护照签名S2为二进制格式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (5)

1.一种深度神经网络与区块链相结合的数字护照保护方法，其特征在于，包括以下步骤：
S101：初始化公开数字护照Pg、私有数字护照Ps以及计时器T；
S102：各区块链节点基于公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练，同时计时器T针对各区块链节点的训练过程进行计时；
S103：根据各区块链节点训练过程花费的时间以及各区块链节点训练过程的输出结果选出具有发布权的区块链节点：如果某一区块链节点训练过程的输出结果不满足给定的条件，该区块链节点没有发布权；相反，该区块链节点具有发布权，并从具有发布权的多个区跨链节点中选出花费时间最少的区块链节点作为具有发布权的区块链节点；
S104：具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改。
2.根据权利要求1所述的一种深度神经网络与区块链相结合的数字护照保护方法，其特征在于，所述步骤S102中各区块链节点根据公开数字护照Pg和私有数字护照Ps进行深度神经网络模型训练的过程包括：
S10201：训练深度神经网络W参数并分别得到私有护照签名S1和公开护照签名S2：各区块链节点基于深度神经网络模型训练深度神经网络W参数，同时嵌入私有数字护照Ps和公开数字护照Pg，通过深度神经网络护照层分别输出私有护照签名S1和公开护照签名S2；
S10202：得到本地存储的私有数字护照签名S'1和待公布的数字护照签名S'2：通过签名变换函数Ts对私有护照签名S1进行提取，得到S'1＝Ts(S1)；通过签名变换函数Ts对公开护照签名S2进行提取，得到S'2＝Ts(S2)，待公布的数字护照签名S'2用于作为各区块链节点的输出结果判断是否满足给定的条件。
3.根据权利要求2所述的一种深度神经网络与区块链相结合的数字护照保护方法，其特征在于，所述步骤S104中具有发布权的区块链节点将公开数字护照Pg和训练过程的输出结果作为区块链节点的数据内容进行存储并修改的过程包括：
S10401：将公开数字护照Pg、待公布的数字护照签名S'2和签名变换函数Ts的数据内容封装以隐私存证的方式存储到区块链的首个区块头部，记为Pg1，S'21和Ts1；
S10402：修改深度神经网络W参数，将第N次修改后深度神经网络W参数记为WN，通过深度神经网络护照层输出修改后的公开护照签名S2N，通过签名变换函数TsN对公开护照签名S2N进行提取，得到第N次修改后待公布的数字护照签名S'2N＝TSN(S2N)，待公布的数字护照签名S'2N＝TSN(S2N)作为判断区块链节点是否具有发布权的给定条件，将公开的护照签名PgN、待公布的数字护照签名S'2N和签名变换函数TsN以隐私存证的方式存储到第N个区块头部，其中，公开的护照签名PgN、签名变换函数TsN均为第N个区块头部中预先存储的参数，N＝(2,3,...,n)。
4.根据权利要求2所述的一种深度神经网络与区块链相结合的数字护照保护方法，其特征在于，所述步骤S10201中深度神经网络护照层输出的私有护照签名S1＝TW(Ps)，所述步骤S10201中深度神经网络护照层输出的公开护照签名S2＝TW(Pg)，TW为由深度神经网络W参数决定的护照层输出的二值化变换。
5.根据权利要求4所述的一种深度神经网络与区块链相结合的数字护照保护方法，其特征在于，所述私有护照签名S1和所述公开护照签名S2为二进制格式。
CN202010391377.XA 2020-05-11 2020-05-11 一种深度神经网络与区块链相结合的数字护照保护方法 Active CN111581671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010391377.XA CN111581671B (zh) 2020-05-11 2020-05-11 一种深度神经网络与区块链相结合的数字护照保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010391377.XA CN111581671B (zh) 2020-05-11 2020-05-11 一种深度神经网络与区块链相结合的数字护照保护方法

Publications (2)

Publication Number Publication Date
CN111581671A CN111581671A (zh) 2020-08-25
CN111581671B true CN111581671B (zh) 2021-05-25

Family

ID=72112211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010391377.XA Active CN111581671B (zh) 2020-05-11 2020-05-11 一种深度神经网络与区块链相结合的数字护照保护方法

Country Status (1)

Country Link
CN (1) CN111581671B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037496B (zh) * 2021-03-15 2022-11-04 承德石油高等专科学校 一种基于区块链技术视频采集装置及其方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629193A (zh) * 2018-04-26 2018-10-09 成都大象分形智能科技有限公司 一种针对人工神经网络模型的加密保护系统及方法
CN111062044A (zh) * 2019-12-09 2020-04-24 支付宝(杭州)信息技术有限公司 基于区块链的模型联合训练方法及装置
CN111107537A (zh) * 2018-10-26 2020-05-05 慧与发展有限责任合伙企业 利用数字护照访问基于电信区块链的服务

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120101951A1 (en) * 2010-10-22 2012-04-26 Michael Li Method and System for Secure Financial Transactions Using Mobile Communications Devices
US10984316B2 (en) * 2017-06-19 2021-04-20 International Business Machines Corporation Context aware sensitive information detection
CN107729746B (zh) * 2017-11-28 2020-06-12 苏州浪潮智能科技有限公司 一种基于数字签名的已安装应用程序防篡改方法及系统
WO2019144353A1 (zh) * 2018-01-25 2019-08-01 深圳前海达闼云端智能科技有限公司 基于区块链的数据训练方法、装置、存储介质及区块链节点
CN108898219A (zh) * 2018-06-07 2018-11-27 广东工业大学 一种基于区块链的神经网络训练方法、装置及介质
CN108898028B (zh) * 2018-07-06 2020-07-03 成都大象分形智能科技有限公司 涉及迭代与随机加密的神经网络模型加密保护系统及方法
WO2020012061A1 (en) * 2018-07-12 2020-01-16 Nokia Technologies Oy Watermark embedding techniques for neural networks and their use
CN109919303B (zh) * 2019-02-28 2023-09-19 笵成科技南京有限公司 一种深度神经网络的知识产权保护方法、系统及终端
CN110458185A (zh) * 2019-06-26 2019-11-15 平安科技（深圳）有限公司 图像识别方法及装置、存储介质、计算机设备
CN110610082A (zh) * 2019-09-04 2019-12-24 笵成科技南京有限公司 一种基于dnn用于护照抵御模糊攻击的系统与方法
CN110909195A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于区块链的图片标注方法、装置及存储介质、服务器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629193A (zh) * 2018-04-26 2018-10-09 成都大象分形智能科技有限公司 一种针对人工神经网络模型的加密保护系统及方法
CN111107537A (zh) * 2018-10-26 2020-05-05 慧与发展有限责任合伙企业 利用数字护照访问基于电信区块链的服务
CN111062044A (zh) * 2019-12-09 2020-04-24 支付宝(杭州)信息技术有限公司 基于区块链的模型联合训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Digital Passport: A Novel Technological Strategy for Intellectual Property Protection of Convolutional Neural Networks;Lixin Fan, et al.;《https://www.researchgate.net/publication/333077712_Digital_Passport_A_Novel_Technological_Strategy_for_Intellectual_Property_Protection_of_Convolutional_Neural_Networks》;20190510;第1-13页 *

Also Published As

Publication number Publication date
CN111581671A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
KR102587254B1 (ko) Ｃｎｎ과 ｒｎｎ을 이용한 얼굴인식 기반 키 생성 방법 및 장치
TWI655587B (zh) 神經網路及神經網路訓練的方法
US20230306107A1 (en) A Method of Training a Submodule and Preventing Capture of an AI Module
CN111507386A (zh) 一种存储文件及网络数据流加密通信检测方法及系统
CN112088378A (zh) 图像隐藏信息检测器
WO2021098385A1 (zh) 在可信执行环境中训练gbdt模型的方法、装置及设备
CN111581671B (zh) 一种深度神经网络与区块链相结合的数字护照保护方法
CN117033382B (zh) 一种区块链数字存证方法及系统
CN112364388A (zh) 基于区块链实现的传感器数据认证方法及装置
Zhou et al. Novel defense schemes for artificial intelligence deployed in edge computing environment
CN113204766B (zh) 一种分布式的神经网络部署方法、电子设备与存储介质
US12105810B2 (en) Data poisoning method and data poisoning apparatus
Gu et al. An online website fingerprinting defense based on the non-targeted adversarial patch
US20230050484A1 (en) Method of Training a Module and Method of Preventing Capture of an AI Module
Ito et al. Access control of semantic segmentation models using encrypted feature maps
CN114846464A (zh) 保护内容处理管道
US20240070238A1 (en) Embedding Concealed meta-data into Deep Neural Networks (DNNs)
Deng et al. A Novel Weights-less Watermark Embedding Method for Neural Network Models
US12032688B2 (en) Method of training a module and method of preventing capture of an AI module
CN111712868B (zh) 检索装置、检索方法、以及记录介质
Liu et al. Covert Communication via Modulating Soft Label of Neural Network
CN113779567B (zh) 一种面向dpi缓存丢失攻击的防御方法、计算机及存储介质
CN115640551A (zh) 基于区块链与智能合约的智能侵权监测方法及系统
CN114880642B (zh) 神经网络分发加密及其抗合谋攻击方法
CN115086045B (zh) 基于声纹伪造检测的数据安全防护方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant