深度神经网络模型版权保护方案综述

摘 要 深度神经网络(deep neural network, DNN)等新兴技术以前所未有的性能在工业互联网安全中得到广泛发展和应用.然而，训练DNN模型需要在目标应用程序中捕获大量不同场景的专有数据、广泛的计算资源，以及在专家的协助下调整网络拓扑结构并正确训练参数.因此，DNN模型应当作为有价值的知识产权，从技术上保护其不被非法复制、重新分发或滥用.受经典水印技术被用于保护与多媒体内容相关的知识产权的启发，神经网络水印是目前最受研究者关注的DNN模型版权保护方法.迄今为止，学术界对神经网络水印在DNN模型知识产权保护中的应用尚缺乏完整描述.调研了近5年CCF推荐期刊和会议等关于该领域的相关工作，从水印的嵌入和提取的视角，将神经网络水印在原有的白盒水印和黑盒水印分类的基础上，扩充了灰盒水印和无盒水印2种分类，对白盒水印和黑盒水印方法根据其水印嵌入的不同思路和不同任务模型进行了更详细的分类总结，并对4类水印方法的性能进行了对比.最后，探讨了神经网络水印未来面临的挑战和可研究的方向，旨在为学者进一步推动基于神经网络水印的DNN模型版权保护的发展提供指导.

关键词 版权保护；深度神经网络；白盒水印；黑盒水印；灰盒水印；无盒水印

工业互联网(industrial Internet)是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态，通过“人、机、物”的全面互联，全要素、全产业链、全价值链的全面连接，推动制造业生产方式和企业形态变革.安全是工业互联网领域关注的核心问题之一，是实现工业互联网高质量发展的前提条件，具有重要的价值.虽然DNN技术在提升工业互联网安全防护水平中发挥了重要作用，但其固有的高维线性、大量依赖数据、可解释性不佳等特性，为工业互联网埋下了安全隐患.目前针对DNN模