CREDIT: Eigentumsprüfung von DNNs gegen Modell-Extraktion

Im Zeitalter von Machine‑Learning‑as‑a‑Service (MLaaS) greifen Unternehmen und Entwickler auf Deep‑Neural‑Network‑Modelle (DNNs) über standardisierte APIs zu. Diese Bequemlichkeit birgt jedoch ein erhebliches Risiko: Modell‑Extraktionsangriffe (MEAs) ermöglichen es Angreifern, durch wiederholtes Abfragen des Zielmodells Trainingsdaten zu sammeln und ein Nachahmer‑Modell zu erstellen, das die ursprüngliche Funktionalität nahezu exakt reproduziert.

Um diesem Problem entgegenzuwirken, präsentiert das Forschungsteam die Methode CREDIT – Certified Ownership Verification of Deep Neural Networks. CREDIT nutzt die gegenseitige Information, um die Ähnlichkeit zwischen zwei DNNs zu quantifizieren, und definiert einen praktikablen Schwellenwert, der theoretisch garantierte Eigentumsprüfungen ermöglicht. Diese Herangehensweise liefert nicht nur robuste Sicherheitsgarantien, sondern ist auch leicht in bestehende MLaaS‑Infrastrukturen integrierbar.

Die Autoren haben CREDIT auf einer Vielzahl von Standard‑Datensätzen aus unterschiedlichen Domänen getestet und dabei die bisher beste Leistung erzielt. Der Ansatz demonstriert, dass die Eigentumsprüfung zuverlässig funktioniert, selbst wenn Angreifer versuchen, das Modell durch gezielte Abfragen zu replizieren. Der komplette Code und die Implementierung stehen öffentlich auf GitHub zur Verfügung, sodass Entwickler sofort loslegen können.