買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜浙江工業(yè)大學(xué)申請的專利一種基于自適應(yīng)觸發(fā)器的聲紋識別后門樣本生成方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115424620B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211040341.2，技術(shù)領(lǐng)域涉及：G10L17/04；該發(fā)明授權(quán)一種基于自適應(yīng)觸發(fā)器的聲紋識別后門樣本生成方法是由徐東偉;房若塵;蔣斌;宣琦設(shè)計研發(fā)完成，并于2022-08-29向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于自適應(yīng)觸發(fā)器的聲紋識別后門樣本生成方法在說明書摘要公布了：一種基于自適應(yīng)觸發(fā)器的聲紋識別后門樣本生成方法，首先確定生成器、判別器、分類網(wǎng)絡(luò)的參數(shù)結(jié)構(gòu)，分類網(wǎng)絡(luò)應(yīng)能以高精度正確預(yù)測樣本；其次生成器將語音樣本與隨機(jī)噪聲維度拼接，通過編碼?解碼網(wǎng)絡(luò)映射為特定噪聲觸發(fā)器，用此噪聲樣本與干凈樣本訓(xùn)練判別器；劃分預(yù)中毒集合，利用預(yù)中毒集合產(chǎn)生的中毒樣本與干凈訓(xùn)練樣本訓(xùn)練中毒的分類網(wǎng)絡(luò)；凍結(jié)判別器與分類網(wǎng)絡(luò)權(quán)重，利用它們的輸出反饋訓(xùn)練生成器，使產(chǎn)生的觸發(fā)器兼有高效性與隱蔽性；最后不斷重復(fù)訓(xùn)練過程直到結(jié)果達(dá)到預(yù)期。本發(fā)明訓(xùn)練好的生成器能根據(jù)樣本自適應(yīng)的產(chǎn)生不同的觸發(fā)器，不僅具有高成功率，還有良好的隱蔽性與魯棒性。

本發(fā)明授權(quán)一種基于自適應(yīng)觸發(fā)器的聲紋識別后門樣本生成方法在權(quán)利要求書中公布了：1.一種基于自適應(yīng)觸發(fā)器的聲紋識別后門樣本生成方法，其特征在于，包括以下步驟：步驟1：根據(jù)語音信號搭建生成器模型、判別器模型與分類網(wǎng)絡(luò)；步驟2：訓(xùn)練判別器的權(quán)重；具體包括：訓(xùn)練判別器的權(quán)重，判別器用來限制觸發(fā)器的大小，生成器的輸出結(jié)合干凈樣本作為觸發(fā)器的輸入；生成器能將語音樣本x以及隨機(jī)采樣的噪聲z映射為特定的觸發(fā)器，其中語音樣本、采樣的噪聲以及觸發(fā)器具有相同的維度；在每次迭代中，隨機(jī)從訓(xùn)練集Xtrain中m個樣本作為一個批次，將這些樣本輸入至生成器，與采樣的m個隨機(jī)噪聲結(jié)合，生成器將其映射為觸發(fā)器：Gxi,zi；將觸發(fā)器添加到干凈樣本中生成噪聲樣本，即Gxi,zi+xi，利用判別器的二交叉熵?fù)p失函數(shù)進(jìn)行梯度下降更新判別器的權(quán)重，損失函數(shù)如下所示： 其中Φ表示判別器的權(quán)重參數(shù)，損失函數(shù)是二元交叉熵?fù)p失；對于判別器而言，干凈樣本被標(biāo)記為1，來自生成器的中毒樣本被標(biāo)記為0；Dxi表示判別器對于干凈樣本的輸出，若第i個樣本是噪聲樣本，DGxi,zi+xi則表示判別器對于噪聲樣本的輸出，最小化該損失函數(shù)使判別器能夠準(zhǔn)確識別噪聲樣本與干凈樣本，用來限制觸發(fā)器的大小；步驟3：訓(xùn)練分類網(wǎng)絡(luò)的權(quán)重；具體包括：訓(xùn)練分類網(wǎng)絡(luò)，首先預(yù)先指定中毒比例λ，從訓(xùn)練集Xtrain中挑選出干凈樣本集Xclean與預(yù)中毒樣本集Xp且不再變化，即：Xtrain＝XcleanUXp2|Xtrain|＝λ·|Xp|3然后在干凈樣本集和中毒樣本集中分別挑選一個批次樣本，數(shù)量都為m，將中毒樣本的標(biāo)簽標(biāo)記為期望攻擊的類別t，保持干凈樣本集不變，利用干凈交叉熵?fù)p失函數(shù)與中毒交叉熵?fù)p失函數(shù)訓(xùn)練一個中毒模型，總損失函數(shù)如下： 其中，前半部分是干凈交叉熵?fù)p失函數(shù)，后半部分是中毒交叉熵?fù)p失函數(shù)；其中Ψ表示分類模型的權(quán)重參數(shù)，N表示類別的數(shù)目；yij表示第i個樣本屬于第j個類別的真實概率0或者1；Cj.表示語音被分類為第j類的概率；t表示中毒類別；Gxi′,zi表示樣本xi的觸發(fā)器；Gxi′,zi+xi′表示不斷更新的中毒語音；另外，x和xi′來自不同分布，其中他們是兩個不重疊的子集，xi′被采樣去生成中毒樣本；同時最小化干凈交叉熵?fù)p失與中毒交叉熵?fù)p失，在保持模型精度的前提下使模型中毒，在所有樣本上訓(xùn)練一次計作一次迭代；步驟4：利用聯(lián)合網(wǎng)絡(luò)，凍結(jié)判別器與分類網(wǎng)絡(luò)，訓(xùn)練生成器的權(quán)重；具體包括：訓(xùn)練生成器，首先將生成器網(wǎng)絡(luò)，判別器網(wǎng)絡(luò)，分類模型結(jié)合為一個聯(lián)合網(wǎng)絡(luò)F；其次凍結(jié)判別器D的權(quán)重與分類模型C的權(quán)重，使兩者的權(quán)重參數(shù)停止更新；然后從訓(xùn)練集中任意采樣一個批次樣本，數(shù)量為m，將其輸入到聯(lián)合網(wǎng)絡(luò)F中，利用判別器與分類模型的輸出反饋訓(xùn)練生成器，損失函數(shù)如下： 其中，m表示采樣樣本的數(shù)量；Θ表示生成器的權(quán)重參數(shù)；Gxi,zi表示樣本xi的觸發(fā)器；Gxi,zi+xi表示不斷更新的中毒語音；損失的前半部分是判別器的反饋，D.表示判別器的輸出概率；損失函數(shù)的后半部分是模型的反饋，Ct.表示語音被預(yù)測為第t類的概率，t是攻擊的標(biāo)簽；注意這里對于判別器D，中毒語音的標(biāo)簽被標(biāo)注為“0”；最小化該損失函數(shù)，使DGxi,zi+xi與CtGxi,zi+xi的輸出趨近1，此時中毒樣本不僅具有較高的攻擊成功率，且隱蔽性較強(qiáng)可以避過判別器的檢測；α與β是超參數(shù)，用來控制生成器網(wǎng)絡(luò)權(quán)重更新時判別器損失與分類器損失的重要程度，可以衡量隱蔽性與攻擊成功率；步驟5：不斷重復(fù)步驟2～4，保存期望的分類網(wǎng)絡(luò)、生成器的結(jié)構(gòu)與權(quán)重；步驟6：測試分類網(wǎng)絡(luò)的測試精度與攻擊成功率。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人浙江工業(yè)大學(xué)，其通訊地址為：310014 浙江省杭州市拱墅區(qū)潮王路18號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。