[發明專利]一種模型的處理方法、裝置及設備

在審

• 申請號: 202210571111.2
• 申請日: 2022-05-24
• 公開（公告）號: CN115048661A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 曹佳炯;丁菁汀
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06F21/60
• 分類號: G06F21/60;G06N3/04;G06N3/08
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 朱文杰

本說明書實施例公開了一種模型的處理方法、裝置及設備，該方法應用于服務器，包括：獲取待保護的目標模型，并獲取目標模型的模型結構和模型權重，然后，基于模型結構，對目標模型包含的每個網絡層的結構進行數據化處理，得到每個網絡層對應的第一數據，并對模型權重進行結構化處理，得到模型權重對應的預設維度的張量，將模型權重對應的預設維度的張量輸入到載體生成模型中，生成用于承載目標模型的數據的目標載體，基于目標載體、第一數據和模型權重對應的預設維度的張量，以及隱寫模型，確定目標模型對應的隱寫信息，隱寫模型基于包括在頻域內對預設模型的數據進行隱寫處理前后的一致性約束構建的第一損失函數進行模型訓練而得到。

技術領域

本文件涉及計算機技術領域，尤其涉及一種模型的處理方法、裝置及設備。

背景技術

近年來，隨著終端技術和網絡技術的不斷發展，人工智能成為當前需要研究和發展的重要技術課題，在近年來人工智能也得到了一定的發展和應用，例如，人臉識別、自動駕駛以及智能客服等應用都需要用到各類人工智能算法。人工智能算法的核心一般是深度學習模型，因此，一旦深度學習模型被泄漏，整個人工智能系統都會陷入到巨大的風險中，因此，對深度學習模型進行脫敏和保護就成為了一個重要課題。

通常，可以通過信息加密的方式對重要信息進行保護，具體地，使用簡單的線性操作對一些重要信息進行加密或行列混淆等處理，但上述方式原子操作簡單、流程單一、且很容易被諸如暴力破解等方式破解。基于此，需要提供一種安全性更高、進行模型保護的效率更高的模型保護方案。

發明內容

本說明書實施例的目的是提供一種安全性更高、進行模型保護的效率更高的模型保護方案。

為了實現上述技術方案，本說明書實施例是這樣實現的：

本說明書實施例提供的一種模型的處理方法，應用于服務器，所述方法包括：獲取待保護的目標模型，并獲取所述目標模型的模型結構和模型權重。基于所述模型結構，對所述目標模型包含的每個網絡層的結構進行數據化處理，得到所述目標模型包含的每個網絡層對應的第一數據，并對所述模型權重進行結構化處理，得到所述模型權重對應的預設維度的張量。將所述模型權重對應的預設維度的張量輸入到預先通過模型訓練得到的載體生成模型中，生成用于承載以信息隱藏的方式寫入所述目標模型的數據的目標載體。基于所述目標載體、所述第一數據和所述模型權重對應的預設維度的張量，以及預先通過模型訓練得到的隱寫模型，確定所述目標模型對應的隱寫信息，所述隱寫模型是基于包括在頻域內對預設模型的數據進行隱寫處理前后的一致性約束構建的第一損失函數進行模型訓練而得到的模型。

本說明書實施例提供的一種模型的處理方法，應用于目標設備，所述方法包括：接收所述服務器發送的訓練后的RGB域解析模型和訓練后的頻域解析模型。獲取對目標模型的重構請求，所述重構請求中包括所述目標模型對應的隱寫信息，所述目標模型對應的隱寫信息是基于所述目標模型的模型結構，對所述目標模型包含的每個網絡層的結構進行數據化處理，得到所述目標模型包含的每個網絡層對應的第一數據，并對所述目標模型的模型權重進行結構化處理，得到所述模型權重對應的預設維度的張量，將所述模型權重對應的預設維度的張量輸入到預先通過模型訓練得到的載體生成模型中，生成用于承載以信息隱藏的方式寫入所述目標模型的數據的目標載體，并基于所述目標載體、所述第一數據和所述模型權重對應的預設維度的張量，以及預先通過模型訓練得到的隱寫模型確定的隱寫信息。基于所述目標模型對應的隱寫信息、所述訓練后的RGB域解析模型和所述訓練后的頻域解析模型，確定所述目標模型的模型結構和模型權重。將所述模型權重加載到相應的所述模型結構中，得到重構的目標模型，并基于重構的目標模型進行目標業務的業務處理。