买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉贵州大学申请的专利一种可审计的链式模型数字水印方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121723446B 。

龙图腾网通过国家知识产权局官网在2026-05-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610228143.0，技术领域涉及：G06F21/16；该发明授权一种可审计的链式模型数字水印方法是由何忠祥;陈玉玲;符虔;欧阳智;晏福设计研发完成，并于2026-02-26向国家知识产权局提交的专利申请。

本一种可审计的链式模型数字水印方法在说明书摘要公布了：本发明公开了一种可审计的链式模型数字水印方法，包括：所有权人向计算机系统输入盐值以及所有者标识；将模型训练周期划分为训练分片；将前训练分片的模型权重通过哈希函数计算当前训练分片的标识；以标识作为生成器的种子，生成当前训练分片水印信息；构建含任务损失和水印损失的总损失函数；通过约束目标嵌入参数符号或数值逼近二值水印比特流实现水印损失；经统计分析定位水印，训练分片保存前引入隐私噪声；注噪后模型保存为检测点文件，作为下一分片的初始权重；重复迭代完成训练，输出模型哈希链；根据验证请求，基于模型哈希链进行双重验证，向验证者发送验证结果。该方法提高了水印对多种攻击的鲁棒性，适用于模型分发与版权取证场景。

本发明授权一种可审计的链式模型数字水印方法在权利要求书中公布了：1.一种可审计的链式模型数字水印方法，其特征在于，应用于深度神经网络模型在计算机系统中的所有权归属验证，该方法包括所述计算机系统执行以下步骤： S1，深度神经网络模型的所有权人向计算机系统输入预设的全局盐值以及所有者标识；将深度神经网络模型的完整训练周期在逻辑上划分为若干个时序连续的训练分片； S2，根据前一训练分片的模型权重的均值和标准差，按层级顺序拼接构建统计投影向量；将所述统计投影向量与当前分片序号拼接，通过加密哈希函数生成当前训练分片的唯一标识； S3，基于所述当前训练分片的唯一标识为种子生成二值水印比特流，在当前分片的预热训练阶段，累积记录各模型参数的反向传播梯度幅度，计算参数重要性得分；依据所述得分选取高重要性参数作为目标嵌入位置； 所述二值水印比特流的生成包括水印序列生成、重要性评估和位置筛选； 所述水印序列生成的执行步骤如下： 利用唯一标识作为种子通过密钥派生函数生成预设固定长度的二值水印比特流； 所述重要性评估的执行步骤如下： 在当前深度神经网络模型的训练状态下，计算各模型参数的重要性得分矩阵； 具体计算如下式： 其中，表示第个模型参数的重要性得分，表示单个模型参数的索引，表示第个模型参数的模型权重，表示模型损失函数； 所述位置筛选的执行步骤如下： 将所有模型参数按照重要性得分从高到低排序，选取排名靠前α%的模型参数作为候选集； 利用链式哈希初始化的伪随机生成器从候选集中随机抽取若干个不重复的索引，确定最终的水印嵌入位置； S4，构建包含任务损失和水印损失的总损失函数，通过动态调整的权重系数，在训练过程中约束目标嵌入参数逼近所述水印比特流； S5，将模型参数划分为水印嵌入区与非水印区，对于非水印区参数，注入与步骤S3中计算的参数重要性得分呈非线性负相关的噪声；即：噪声强度与重要性得分呈负相关： 其中，为基础噪声水平，为调节因子，表示归一化操作，表示非水印区单个模型参数序号； S6，将引入自适应差分隐私噪声后的模型保存为检测点文件，并作为下一训练分片的初始权重；重复执行步骤S2至S5，完成所有训练分片的训练，输出模型哈希链； S7，根据验证者的模型所有权验证请求，计算机系统基于所述模型哈希链进行双重验证，向验证者发送模型所有权归属的验证结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区花溪大道南段2708号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。