摘要：人工智能模型自广泛使用以来,面临诸多安全风险。随着深度学习模型大规模在端侧设备上的部署,端侧模型面临新的安全挑战。由于深度神经网络具有相似的结构特征,攻击者得以运用反编译技术以获取模型的结构信息及其参数,从而重建模型。此过程会损害模型的知识产权并使模型面临白盒攻击的风险。针对模型反编译器对模型算子的定位与识别、参数获取、网络拓扑解析过程,提出了一种基于模型编译过程的混淆框架以防御模型提取攻击;在深度学习编译器的前端优化过程中设计并实现了算子混淆、参数混淆和网络拓扑混淆3种混淆手段;采用构造不透明谓词,插入虚假控制流,添加冗余内存访问等手段,干扰模型反编译器对模型的逆向工程。实验结果表明,提出的混淆框架DNNobfus能有效降低前沿的模型反编译工具对模型算子类型及网络连接识别的准确率,分别下降至21.63%和48.24%。此外,该框架平均时间效率为67.93%,平均空间效率为88.37%,均优于混淆工具Obfuscator-LLVM。

摘要：针对当前青少年溺水情况频发问题,设计一种智能水下自救系统,系统由STM32单片机控制模块、溺水识别装置和二氧化碳充气装置组成。本装置充气部分佩戴在用户一侧大臂上,溺水识别装置部分佩戴在手腕上,当用户在水下出现溺水危险时触发充气装置,帮助用户及时脱困。系统二氧化碳充气触发方式分为自动触发、手动触发和遥控触发3种,适用于不同环境、不同情况下的水下人员救助。本装置具有占用体积小,充气迅速的特点,在不影响用户游泳体验的前提下,保障用户的生命安全。