一种基于多特征融合的深度学习模型哈希标识方法和装置

一种基于多特征融合的深度学习模型哈希标识方法，其方法包括：首先，提取深度学习模型的结构特征(层类型排序去重)、参数统计特征(分位数归一化及直方图统计)和功能行为特征(中间层输出分位点)；然后，分别计算模型结构哈希、参数哈希和功能哈希；接着，通过融合三元组哈希生成综合哈希值；同时，采用TLSH(Trend Micro Locality‑Sensitive Hashing)算法提升对参数微小波动的容忍度；最后，基于海明距离计算模型相似性，实现高效的黑盒模型溯源与侵权检测。本发明无需修改模型结构或参数，不依赖外部数据，支持对剪枝、微调等攻击的高鲁棒性，适用于CNN、Transformer等多种网络架构。其优点包括：轻量化计算、高隐蔽性、跨平台适配能力，可广泛应用于深度学习模型的知识产权保护与侵权追踪场景。