一种深度学习大模型的加密防护方法及系统技术方案

本申请公开了一种深度学习大模型的加密防护方法及系统，本申请属于模型安全部署技术领域。该方法包括：通过获取目标硬件资源状态，依据预设标准动态调整模型编码精度，生成编码策略数据，进而对大模型初始权重执行分层重编码，得到混合精度模型参数。结合任务模态信息选择编码子网络并融合，构建统一编码模型。再依据设备绑定信息进行加密绑定，生成硬件绑定的加密模型。执行任务时，根据输入与运行状态进行异常检测与防护操作，输出模型安全输出数据。本方案实现模型与硬件的高效匹配、任务适应性增强和使用过程中的全链路安全控制。既提升了模型运行效率与准确性，又有效防止模型泄露与非法调用，确保在不同环境下的稳定、安全部署。

【技术实现步骤摘要】

本申请属于模型安全部署，具体涉及一种深度学习大模型的加密防护方法及系统。

技术介绍

1、随着深度学习技术的突破，大规模预训练模型在自然语言处理、计算机视觉等领域展现出卓越的性能，但其参数量指数级增长带来的计算资源消耗、硬件适配性差、推理延迟高以及安全风险等问题日益凸显。

2、当前主流的大模型优化技术主要围绕静态压缩与基础安全防护展开。在模型编码优化方面，传统方法多采用统一量化策略（如全模型8位整数量化），或基于人工规则的混合精度设计，通过牺牲部分精度换取推理速度提升；在硬件适配层面，部分方案通过预设多套模型副本匹配不同硬件配置，或依赖手动调参实现算子级优化。在安全防护领域，常规手段包括模型参数加密传输、输入数据过滤以及基于异常阈值的简单检测，但加密过程与模型推理解耦，且异常检测多基于离线规则库。

3、但现有编码技术优化缺乏硬件感知能力，静态量化或统一精度策略无法动态适配目标设备的算力、内存等资源状态，导致优化后的模型在低算力设备上仍面临性能瓶颈，或在高算力设备上因过度压缩而损失有效精度；并且多模态场景适配性不足，传统路由机制依赖固定本文档来自技高网...

【技术保护点】

1.一种深度学习大模型的加密防护方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，其中，根据所述编码策略数据以及所述初始权重参数对目标大模型进行精度分层重编码，得到压缩优化后的混合精度模型参数数据，包括：

3.根据权利要求1所述的方法，其特征在于，其中，根据所述任务输入模态信息以及混合精度模型参数数据对目标大模型进行多模态路由路径选择操作，确定目标编码子网络路径，包括：

4.根据权利要求3所述的方法，其特征在于，其中，预设的评分函数为：

5.根据权利要求1所述的方法，其特征在于，其中，根据所述设备绑定信息对统一编码...

【技术特征摘要】

1.一种深度学习大模型的加密防护方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，其中，根据所述编码策略数据以及所述初始权重参数对目标大模型进行精度分层重编码，得到压缩优化后的混合精度模型参数数据，包括：

3.根据权利要求1所述的方法，其特征在于，其中，根据所述任务输入模态信息以及混合精度模型参数数据对目标大模型进行多模态路由路径选择操作，确定目标编码子网络路径，包括：

4.根据权利要求3所述的方法，其特征在于，其中，预设的评分函数为：

5.根据权利要求1所述的方法，其特征在于，其中，根据所述设备绑定信息对统一编码模型进行加密绑定操作，得到硬件绑定的加密模型，包括：

6.根据权利...

【专利技术属性】
技术研发人员：戴晔，
申请(专利权)人：江苏风云科技服务有限公司，
类型：发明
国别省市：