VeilNN防御框架应对跨设备模型攻击

该研究针对边缘设备上神经网络模型被逆向提取后引发的跨节点攻击风险，提出名为 VeilNN 的防御框架。其核心机制是在保持任务功能的前提下引入受控的模型多样性，通过在架构层和参数层实施隐蔽且不可逆的混淆技术（包括网络单元混淆和层组装），有效降低了对抗样本在不同设备间的可迁移性。 实验数据显示，VeilNN 在四种对抗攻击类型下平均防御成功率达到 49.19%，最高可达 81.19%，相比现有防御手段提升超过 33.16%。该框架适用于 MLP、CNN 和 Vision Transformers 等多种主流神经网络架构，证明了其在不同模型结构上的通用性。 事实层面确认了边缘计算场景下模型同质化带来的系统性安全隐患；推断层面表明单纯依赖单一模型的端侧部署存在被批量攻破的风险，需引入异构化或混淆策略；猜测层面在于该混淆方法对模型推理延迟和精度的实际损耗程度尚未在摘要中量化，需查阅全文评估工程落地成本。