CN118035701A - 一种基于图结构的深度伪造模型特征提取方法及其系统 - Google Patents
一种基于图结构的深度伪造模型特征提取方法及其系统 Download PDFInfo
- Publication number
- CN118035701A CN118035701A CN202410111702.0A CN202410111702A CN118035701A CN 118035701 A CN118035701 A CN 118035701A CN 202410111702 A CN202410111702 A CN 202410111702A CN 118035701 A CN118035701 A CN 118035701A
- Authority
- CN
- China
- Prior art keywords
- model
- nodes
- node
- constructing
- model structure
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008676 import Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000005242 forging Methods 0.000 abstract description 16
- 230000007547 defect Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于图结构的深度伪造模型特征提取方法及其系统,该方法包括如下步骤:模型结构节点获取,先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;模型结构图构建,对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;模型结构特征图输出,对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。本发明的方法能够充分挖掘模型中的有效信息,更加全面且具有代表性地提取模型特征,以便于对深度伪造模型进行快速地比对和识别,显著解决现有技术的缺陷。
Description
技术领域
本发明属于深度伪造模型检测技术领域,具体涉及一种基于图结构的深度伪造模型特征提取方法及其系统。
背景技术
现有的方法和技术中缺乏深度伪造模型特征提取方法的研究,现阶段作为深度伪造模型特征提取的方法主要分两种:1)使用模型文件MD5特征,但模型文件的MD5值在细微变动下均会发生改变,导致该方法灵活性较差,且存在泛化能力低的问题;2)提取模型节点进行向量拼接,作为模型特征,但模型节点并不能完整反映模型特征,模型中的其他重要信息,如节点间的依赖和模型的层次结构等信息被忽略,因此该方法并不能全面地体现模型特征,对于相同模型节点但不同层次结构的模型,无法区分其模型特征。
有鉴于此,提出一种基于图结构的深度伪造模型特征提取方法及其系统是非常具有意义的。
发明内容
为了解决现有深度伪造模型特征提取技术中均存在的明显不足的问题,本发明提供一种基于图结构的深度伪造模型特征提取方法及其系统,能够充分挖掘模型中的有效信息,更加全面且具有代表性地提取模型特征,以便于对深度伪造模型进行快速地比对和识别,显著解决现有技术的缺陷。
第一方面,本发明提出了一种基于图结构的深度伪造模型特征提取方法,该方法包括如下步骤:
模型结构节点获取,先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;
模型结构图构建,对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;
模型结构特征图输出,对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。
优选的,模型结构节点获取步骤具体包括:
S11、构建模型文件特征库F1,用于存储不同主流框架生成模型文件的特征信息;
S12、构建非模型结构信息节点集F2,用于存储不具备结构信息的节点特征信息;
S13、通过模型文件特征库F1确定模型文件导入框架,导入模型文件,获取模型内容M;
S14、遍历模型内容M,筛选出模型结构节点,将模型结构节点的集合标记为N,具体操作如下公式所示:
其中ai为M中的模型节点,1≤i≤m,m为M中模型节点的个数。
进一步优选的,模型结构图构建步骤具体包括:
S21、构建函数g(G)用于计算结构图G中的节点个数;
S22、设置初始最佳模型结构图Gbest,且g(Gbest)=0;
S23、构建操作函数f(S,G),定义为:对于节点集合S中的所有节点si,1≤i≤|S|,根据节点si的属性信息中的输入节点,构建ai的输入节点的集合Pi;对于所有节点si∈S,1≤i≤|S|,在结构图G中构建si和节点sj∈Pi的边关系,其中1≤j≤|Pi|;输出所有集合Pi的并集,即:
S24、遍历模型结构节点集N,对于节点ai∈N,1≤i≤|N|,执行以下步骤:
S241、构建节点ai对应的结构图Gi,根据节点ai的属性信息中的输入节点,构建ai的输入节点的集合在Gi中构建ai和节点/>的边关系,其中/>
S242、对于输入节点的集合和结构图Gi,执行操作函数/>并获得
S243、判断是否成立,若成立,停止操作,输出Gi为节点ai的结构图;若不成立,继续执行操作函数/>并获得/>
S244、重复步骤S243进行判断并执行对应操作,直到获得的 满足/>停止循环,输出Gi为节点ai的结构图;
S245、判断是否更新Gbest,判断操作如下:
S25、输出最佳模型结构子图Gbest为模型文件的模型结构图。
进一步优选的,模型结构特征图输出步骤具体包括:
S31、构建模型节点特征属性集F3,包含如卷积核尺寸、卷积核数量、卷积步长的节点属性信息;
S32、遍历结构图Gbest中节点属性信息,删除与模型特征无关的节点属性信息,并保留Gbest中的其他信息,获得模型特征图Gmodel;
S33、输出模型特征图Gmodel。
进一步优选的,还包括:
S32中具体属性信息裁剪操作如下:
其中,b为Gbest中的节点属性信息。
进一步优选的,还包括:
在输出的模型特征图Gmodel后进行图表示学习,接上相似度计算或模型分类的操作用于完成模型比对、模型识别的任务。
第二方面,本发明实施例提供一种基于图结构的深度伪造模型特征提取系统,包括:
模型结构节点获取模块,配置用于先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;
模型结构图构建模块,配置用于对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;
模型结构特征图输出,配置用于对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。
进一步优选的,还包括:
任务模块,配置用于在输出的模型特征图Gmodel后进行图表示学习,接上相似度计算或模型分类的操作用于完成模型比对、模型识别的任务。
第三方面,本发明实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
与现有技术相比,本发明的有益成果在于:
(1)本发明使用特征图构建技术,提出一种更加有效的模型特征提取方法,该方法能够充分挖掘模型中的有效信息,更加全面且具有代表性地提取模型特征,以便于对深度伪造模型进行快速地比对和识别,显著解决现有技术的缺陷。
(2)在深度伪造模型特征提取任务中,本发明较现有技术相比,能够充分提取模型中的有效信息,准确反映模型特征,是一种更加有效的模型特征提取方法;如在深度伪造技术的检测中,可使用本发明有效提取模型特征,再使用现有的相似度计算和比对方法,对深度伪造模型的使用进行检测;本发明的优越性相信可以在有害模型识别,AI应用监管等领域中有着广阔的市场和运用。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
图1是本发明的一个实施例可以应用于其中的示例性装置架构图;
图2为本发明的实施例的基于图结构的深度伪造模型特征提取方法的流程示意图;
图3为本发明的实施例的基于图结构的深度伪造模型特征提取方法的流程结构简图;
图4为本发明的实施例的基于图结构的深度伪造模型特征提取方法中节点ai的结构图获取流程示意图;
图5为本发明的实施例的基于图结构的深度伪造模型特征提取系统的架构示意图;
图6是适于用来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
图1示出了可以应用本发明实施例的基于图结构的深度伪造模型特征提取方法或基于图结构的深度伪造模型特征提取系统的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有通信功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的校验请求信息进行处理的后台信息处理服务器。后台信息处理服务器可以对接收到的校验请求信息进行分析等处理,并得到处理结果。
需要说明的是,本发明实施例所提供的基于图结构的深度伪造模型特征提取方法一般由服务器105执行,相应地,基于图结构的深度伪造模型特征提取系统一般设置于服务器105中。另外,本发明实施例所提供的基于图结构的深度伪造模型特征提取方法一般由终端设备101、102、103执行,相应地,基于图结构的深度伪造模型特征提取系统一般设置于终端设备101、102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或多个软件模块,在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
现有的方法和技术中缺乏深度伪造模型特征提取方法的研究,现阶段作为深度伪造模型特征提取的方法主要分两种:
1)使用模型文件MD5特征,但模型文件的MD5值在细微变动下均会发生改变,导致该方法灵活性较差,且存在泛化能力低的问题;
2)提取模型节点进行向量拼接,作为模型特征,但模型节点并不能完整反映模型特征,模型中的其他重要信息,如节点间的依赖和模型的层次结构等信息被忽略,因此该方法并不能全面地体现模型特征,对于相同模型节点但不同层次结构的模型,无法区分其模型特征。
为解决如上所述中现有深度伪造模型特征提取技术中均存在的明显不足,本发明使用特征图构建技术,提出一种更加有效的模型特征提取方法,该方法能够充分挖掘模型中的有效信息,更加全面且具有代表性地提取模型特征,以便于对深度伪造模型进行快速地比对和识别,显著解决现有技术的缺陷。
第一方面,本发明的实施例公开了一种基于图结构的深度伪造模型特征提取方法,如图2所示,该方法包括如下步骤:
S1、模型结构节点获取,先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;
具体的,本步骤的具体步骤如下:
S11、构建模型文件特征库F1,用于存储不同主流框架生成模型文件的特征信息;
S12、构建非模型结构信息节点集F2,用于存储不具备结构信息的节点特征信息;
S13、通过模型文件特征库F1确定模型文件导入框架,导入模型文件,获取模型内容M;
S14、遍历模型内容M,筛选出模型结构节点,将模型结构节点的集合标记为N,具体操作如下公式所示:
其中ai为M中的模型节点,1≤i≤m,m为M中模型节点的个数。
本发明实施例的流程简图如图3所示。
S2、模型结构图构建,对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;
具体的,本步骤的具体步骤如下:
S21、构建函数g(G)用于计算结构图G中的节点个数;
S22、设置初始最佳模型结构图Gbest,且g(Gbest)=0;
S23、构建操作函数f(S,G),定义为:对于节点集合S中的所有节点si,1≤i≤|S|,根据节点si的属性信息中的输入节点,构建ai的输入节点的集合Pi;对于所有节点si∈S,1≤i≤|S|,在结构图G中构建si和节点sj∈Pi的边关系,其中1≤j≤|Pi|;输出所有集合Pi的并集,即:
S24、遍历模型结构节点集N,对于节点ai∈N,1≤i≤|N|,执行以下步骤:
S241、构建节点ai对应的结构图Gi,根据节点ai的属性信息中的输入节点,构建ai的输入节点的集合在Gi中构建ai和节点/>的边关系,其中/>
S242、对于输入节点的集合和结构图Gi,执行操作函数/>并获得
S243、判断是否成立,若成立,停止操作,输出Gi为节点ai的结构图;若不成立,继续执行操作函数/>并获得/>
S244、重复步骤S243进行判断并执行对应操作,直到获得的 满足/>停止循环,输出Gi为节点ai的结构图,如图4所示;
S245、判断是否更新Gbest,判断操作如下:
S25、输出最佳模型结构子图Gbest为模型文件的模型结构图。
S3、模型结构特征图输出,对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。
具体的,本步骤的具体步骤如下:
S31、构建模型节点特征属性集F3,包含如卷积核尺寸、卷积核数量、卷积步长的节点属性信息;
S32、遍历结构图Gbest中节点属性信息,删除与模型特征无关的节点属性信息,并保留Gbest中的其他信息,获得模型特征图Gmodel,具体属性信息裁剪操作如下:
其中,b为Gbest中的节点属性信息;
S33、输出模型特征图Gmodel。
进一步的,模型特征图Gmodel可在后续进行图表示学习后可接上相似度计算、模型分类等操作,即可用于模型比对、模型识别等任务,在本实施例中不限制图表示学习方法。
如上所述,在深度伪造模型特征提取任务中,本发明较现有技术相比,能够充分提取模型中的有效信息,准确反映模型特征,是一种更加有效的模型特征提取方法。
如在深度伪造技术的检测中,可使用本发明有效提取模型特征,再使用现有的相似度计算和比对方法,对深度伪造模型的使用进行检测。
本发明的优越性相信可以在有害模型识别,AI应用监管等领域中有着广阔的市场和运用。
第二方面,本发明实施例还公开一种基于图结构的深度伪造模型特征提取系统,如图5所示,包括:模型结构节点获取模块51,模型结构图构建模块52,模型结构特征图输出53和任务模块54。
在一个具体实施例中,模型结构节点获取模块51,配置用于先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;模型结构图构建模块52,配置用于对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;模型结构特征图输出53,配置用于对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图;任务模块54,配置用于在输出的模型特征图Gmodel后进行图表示学习,接上相似度计算或模型分类的操作用于完成模型比对、模型识别的任务。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机装置600包括中央处理单元(CPU)601和图形处理器(GPU)602,其可以根据存储在只读存储器(ROM)603中的程序或者从存储部分609加载到随机访问存储器(RAM)604中的程序而执行各种适当的动作和处理。在RAM 604中,还存储有装置600操作所需的各种程序和数据。CPU 601、GPU602、ROM 603以及RAM 604通过总线605彼此相连。输入/输出(I/O)接口606也连接至总线605。
以下部件连接至I/O接口606:包括键盘、鼠标等的输入部分607;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分608;包括硬盘等的存储部分609;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器611上,以便于从其上读出的计算机程序根据需要被安装入存储部分609。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分610从网络上被下载和安装,和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(CPU)601和图形处理器(GPU)602执行时,执行本发明的方法中限定的上述功能。
需要说明的是,本发明所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:模型结构节点获取,先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;模型结构图构建,对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;模型结构特征图输出,对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于图结构的深度伪造模型特征提取方法,其特征在于,该方法包括如下步骤:
模型结构节点获取,先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;
模型结构图构建,对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;
模型结构特征图输出,对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。
2.根据权利要求1所述的基于图结构的深度伪造模型特征提取方法,其特征在于,模型结构节点获取步骤具体包括:
S11、构建模型文件特征库F1,用于存储不同主流框架生成模型文件的特征信息;
S12、构建非模型结构信息节点集F2,用于存储不具备结构信息的节点特征信息;
S13、通过模型文件特征库F1确定模型文件导入框架,导入模型文件,获取模型内容M;
S14、遍历模型内容M,筛选出模型结构节点,将模型结构节点的集合标记为N,具体操作如下公式所示:
其中ai为M中的模型节点,1≤i≤m,m为M中模型节点的个数。
3.根据权利要求2所述的基于图结构的深度伪造模型特征提取方法,其特征在于,模型结构图构建步骤具体包括:
S21、构建函数g(G)用于计算结构图G中的节点个数;
S22、设置初始最佳模型结构图Gbest,且g(Gbest)=0;
S23、构建操作函数f(S,G),定义为:对于节点集合S中的所有节点si,1≤i≤|S|,根据节点si的属性信息中的输入节点,构建ai的输入节点的集合Pi;对于所有节点si∈S,1≤i≤|S|,在结构图G中构建si和节点sj∈Pi的边关系,其中1≤j≤|Pi|;输出所有集合Pi的并集,即:
S24、遍历模型结构节点集N,对于节点ai∈N,1≤i≤|N|,执行以下步骤:
S241、构建节点ai对应的结构图Gi,根据节点ai的属性信息中的输入节点,构建ai的输入节点的集合在Gi中构建ai和节点/>的边关系,其中/>
S242、对于输入节点的集合和结构图Gi,执行操作函数/>并获得
S243、判断是否成立,若成立,停止操作,输出Gi为节点ai的结构图;若不成立,继续执行操作函数/>并获得/>
S244、重复步骤S243进行判断并执行对应操作,直到获得的 满足/>停止循环,输出Gi为节点ai的结构图;
S245、判断是否更新Gbest,判断操作如下:
S25、输出最佳模型结构子图Gbest为模型文件的模型结构图。
4.根据权利要求3所述的基于图结构的深度伪造模型特征提取方法,其特征在于,模型结构特征图输出步骤具体包括:
S31、构建模型节点特征属性集F3,包含如卷积核尺寸、卷积核数量、卷积步长的节点属性信息;
S32、遍历结构图Gbest中节点属性信息,删除与模型特征无关的节点属性信息,并保留Gbest中的其他信息,获得模型特征图Gmodel;
S33、输出模型特征图Gmodel。
5.根据权利要求4所述的基于图结构的深度伪造模型特征提取方法,其特征在于,还包括:
S32中具体属性信息裁剪操作如下:
其中,b为Gbest中的节点属性信息。
6.根据权利要求5所述的基于图结构的深度伪造模型特征提取方法,其特征在于,还包括:
在输出的模型特征图Gmodel后进行图表示学习,接上相似度计算或模型分类的操作用于完成模型比对、模型识别的任务。
7.一种基于图结构的深度伪造模型特征提取系统,其特征在于,包括:
模型结构节点获取模块,配置用于先通过模型文件导入框架,导入模型文件获取模型内容,再对模型节点进行预处理,排除不具备结构信息的节点,获取模型结构节点组成模型结构节点集;
模型结构图构建模块,配置用于对模型结构节点集进行分析,在最大化保留有效模型信息的基础上,构建最佳模型结构图;
模型结构特征图输出,配置用于对模型结构图进行属性信息裁剪,去除与模型特征无关的节点属性信息,输出模型特征图。
8.根据权利要求7所述的基于图结构的深度伪造模型特征提取方法,其特征在于,还包括:
任务模块,配置用于在输出的模型特征图Gmodel后进行图表示学习,接上相似度计算或模型分类的操作用于完成模型比对、模型识别的任务。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410111702.0A CN118035701A (zh) | 2024-01-26 | 2024-01-26 | 一种基于图结构的深度伪造模型特征提取方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410111702.0A CN118035701A (zh) | 2024-01-26 | 2024-01-26 | 一种基于图结构的深度伪造模型特征提取方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118035701A true CN118035701A (zh) | 2024-05-14 |
Family
ID=90996136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410111702.0A Pending CN118035701A (zh) | 2024-01-26 | 2024-01-26 | 一种基于图结构的深度伪造模型特征提取方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118035701A (zh) |
-
2024
- 2024-01-26 CN CN202410111702.0A patent/CN118035701A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113141360B (zh) | 网络恶意攻击的检测方法和装置 | |
CN111522927A (zh) | 基于知识图谱的实体查询方法和装置 | |
CN111314388B (zh) | 用于检测sql注入的方法和装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN111600874A (zh) | 用户账号检测方法、装置、电子设备、介质和程序产品 | |
CN111460288B (zh) | 用于检测新闻事件的方法和装置 | |
CN109697452B (zh) | 数据对象的处理方法、处理装置及处理系统 | |
CN113435859A (zh) | 信访件处理方法、装置、电子设备和计算机可读介质 | |
CN113204695B (zh) | 网站识别方法和装置 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN113869789A (zh) | 一种风险监控的方法、装置、计算机设备及存储介质 | |
CN112214770B (zh) | 恶意样本的识别方法、装置、计算设备以及介质 | |
CN111444364B (zh) | 一种图像检测方法和装置 | |
CN113239687B (zh) | 一种数据处理方法和装置 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN118035701A (zh) | 一种基于图结构的深度伪造模型特征提取方法及其系统 | |
CN115859273A (zh) | 一种数据库异常访问的检测方法、装置、设备及存储介质 | |
CN111209311A (zh) | 用于处理数据的方法和装置 | |
CN113742485A (zh) | 一种处理文本的方法和装置 | |
CN112989403B (zh) | 一种数据库破坏的检测方法、装置、设备及存储介质 | |
CN113344064A (zh) | 事件处理方法和装置 | |
CN110891010B (zh) | 用于发送信息的方法和装置 | |
CN108536362B (zh) | 用于识别操作的方法、装置及服务器 | |
CN113726814B (zh) | 用户异常行为识别方法、装置、设备及存储介质 | |
CN110674497B (zh) | 一种恶意程序相似度计算的方法和装置 |
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 |