PuzzleMark：一种用于神经码补全模型中实现强大代码数据集水印的隐式拼图学习方法

《Proceedings of the ACM on Software Engineering》：PuzzleMark: Implicit Jigsaw Learning for Robust Code Dataset Watermarking in Neural Code Completion Models

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

构建和整理高质量代码数据集需要大量资源，因此它们属于宝贵的知识产权。不幸的是，这些数据集目前面临着被未经授权使用的严重风险。虽然数字水印技术为版权认证提供了一种事后机制，但现有方法大多基于共现模式，这种模式不够稳健，且容易受到水印检测和移除攻击。在本文中，我们提出了一种名为PuzzleMark的强大代码数据集水印方法。为降低水印暴露的风险，PuzzleMark引入了一种载体选择策略，该策略利用代码复杂度来评估代码片段作为水印载体的适用性，并选择那些最适合用于水印处理的代码片段。为提升水印的稳健性，PuzzleMark提出了一种新的串联模式来替代传统的共现模式，并通过变量名串联实现了两种水印策略。PuzzleMark根据代码的固有特性自适应地嵌入水印，从而在保持设计简洁的同时提高隐蔽性。在水印验证方面，PuzzleMark采用费希尔精确检验法在黑盒环境下验证可疑模型。实验结果表明，PuzzleMark的验证成功率为100%，误报率为0%，且对模型性能的影响可忽略不计。无论是通过人工测试还是使用四种最先进的水印检测方法进行的评估，都表明PuzzleMark具有很强的隐蔽性，其平均可疑率≤0.24%，平均召回率≤30.41%。此外，在两种攻击场景下，水印的验证性依然保持稳定，进一步证明了PuzzleMark的稳健性。作为一种实用的数字水印方法，PuzzleMark为代码数据集的知识产权提供了有力保护，同时也为未来的研究提供了新的思路。

AI总结

AI生成的总结（实验性内容）

此总结是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。