随着高性能 AI 芯片的普及，端侧机器学习因低延迟和隐私保护而受到关注。然而，一旦边缘设备被攻破，攻击者可以通过逆向应用直接获取模型的白盒访问权，从而了解同源设备的模型，这种跨节点攻击能够实现高效的对抗攻击。现有防御大多针对已知漏洞，但白盒访问仍能让攻击者发现未知弱点，导致单个被攻破的设备可能危及所有同源模型。研究表明，模型的鲁棒性主要受决策边界曲率影响，我们进一步探讨模型参数如何塑造该曲率。本文提出 BMO（Boundary‑aware Model Obfuscation），通过在满足零空间约束的前提下，将模型参数分解为边界位置和边界曲率两部分，并在曲率部分注入噪声，从而生成具有不同决策边界的模型，实现对跨节点攻击的更强抵御，同时保持良好的正常精度。实验在四类主流对抗攻击和四款常用端侧模型上进行，BMO 的平均防御成功率达到 68.68%，远超基线的 22.32%，且在正常精度上与基线相当。
点评