BMO方法通过模糊参数曲率防御跨节点模型攻击

该论文针对边缘设备被攻破后导致白盒访问及跨节点攻击的风险，提出名为 BMO 的模型混淆新方法。该方法基于决策边界曲率影响鲁棒性的发现，将模型参数分解为边界位置与边界曲率分量，并通过向曲率分量注入噪声来实例化具有差异化决策边界的模型，从而在保持良性准确率的同时增强对跨节点攻击的抵抗力。 实验数据显示，在四种主要类型的对抗攻击和四种广泛部署的端侧模型上，BMO 的平均防御成功率达到 68.68%，远超表现最好的基线方法（22.32%），且两者在良性准确率上表现相当。这一结果直接量化了通过改变参数结构而非仅修补已知漏洞来提升安全性的有效性。 事实层面，该研究证实了参数曲率是防御关键变量；推断层面，这意味着未来端侧模型部署可能从单纯加密转向动态参数混淆策略；猜测层面，若此类技术被集成到主流推理框架中，可能显著增加攻击者进行大规模模型知识窃取的成本，但具体工程落地成本需进一步验证。