模糊处理深度学习模型的方法和系统技术方案

本发明专利技术提供了一种用于模糊处理深度学习(DL)模型的方法和系统，方法包括训练DL模型以获得训练的DL模型中的操作(OP)层的权重。DL模型包括公共应用程序编程接口(API)的接口，该接口提供对人工智能(AI)处理器的编译器的访问。该方法还包括以下步骤：通过改变OP层的结构来模糊处理DL模型以产生经模糊处理的DL模型，以及发布经模糊处理的DL模型以供设备访问。经模糊处理后的DL模型由边缘设备的编译器编译后由AI处理器执行。编译后由AI处理器执行。编译后由AI处理器执行。

【技术实现步骤摘要】
模糊处理深度学习模型的方法和系统


[0001]本专利技术的实施例涉及使用模糊处理(obfuscation)来保护深度学习(deep learning,DL)模型。

技术介绍

[0002]设计和训练性能良好的深度学习(DL)模型通常既昂贵又耗时。如果模型使用公共格式或公共应用程序编程接口(application programming interface,API)，恶意(malicious)用户可以很容易地在边缘设备上(尤其是在手机上)获取DL模型。
[0003]通常，人工智能(artificial intelligence,AI)处理器的制造商向包括DL模型的AI应用程序的开发人员提供软件开发工具包(software development kit,SDK)。开发人员使用SDK将AI应用程序转换为专有格式或本机机器指令，这些专有格式或本机机器指令不可移植到不同的AI处理器。开发人员可能希望AI应用程序在不同的AI处理器上运行，同时保护DL模型中的知识产权。
[0004]因此，需要在不牺牲DL模型的准确性的情况下保护经训练的DL模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模糊处理深度学习DL模型的方法，包括：训练DL模型以获得所述DL模型中的操作OP层的权重，所述DL模型包括到公共应用程序编程接口API的接口，所述接口提供对人工智能AI处理器的编译器的访问；通过改变所述OP层的结构来模糊处理所述DL模型，以产生经模糊处理的DL模型；以及发布所述经模糊处理的DL模型以供设备访问，其中所述经模糊处理的DL模型在由边缘设备的所述编译器编译后由所述AI处理器执行。2.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：重新排序所述OP层的执行顺序。3.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：向所述DL模型添加冗余OP层。4.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：向所述DL模型中的所述OP层添加冗余权重。5.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：更改所述DL模型中所述OP层之间的连接。6.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：更改所述DL模型中所述OP层中的一个或多个操作。7.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：重塑所述DL模型中所述OP层的维度。8.根据权利要求1所述的方法，其中模糊处理所述DL模型还包括：在不重新训练所述DL模型的情况下更改所述DL模型的结构。9.根据权利要求1所述的方法，其中所述DL模型和所述经模糊处理的DL模型使用相同的模型语言。10.根据权利要求1所述的方法，其中所述DL模型和所述经模糊处理的DL模型产生具有基本相同准确度的推理结果。11.一种用于模糊处理DL模型的系统，包括：处理硬件；以及存储器，用于存储模糊处理器和包括多个OP层的DL模型，其中所述处理硬件可操作为...

【专利技术属性】
技术研发人员：沈柏晔，
申请(专利权)人：联发科技股份有限公司，
类型：发明
国别省市：