ActiveDaemon (model lock🔒)

通过数据隐写授权（StegaStamp）与数据投毒训练实现神经网络模型的主动授权保护： 只有携带正确隐写水印的"授权数据"才能获得正常推理精度，未授权数据的输出被锁定为无效分布。

环境要求

本项目锁定在 Python 3.8 + CUDA 11.3 运行，不要使用其他 Python 版本，原因是依赖版本的硬性交集：

依赖	版本	Python 限制
torch	1.10.0	仅提供 ≤ 3.9 的 wheel
numpy	1.22.3	要求 ≥ 3.8
opencv-python	4.1.2.30	仅提供 ≤ 3.8 的 wheel

三者交集 = 只有 Python 3.8 可以装齐全部依赖。

GPU 方面：requirements.txt 中的 torch 已指向 CUDA 11.3 构建（+cu113），支持到 Ampere 架构（RTX 30 系 / A100）。RTX 40 系（sm_89）和 H100（sm_90）无法被 torch 1.10 支持， 必须按下文迁移方案升级。

安装

conda create -n activedaemon python=3.8 -y
conda activate activedaemon
pip install -r requirements.txt
# StegaStamp 水印 token 生成子模块有独立依赖：
pip install -r stegestamp_tokens_generation/requirements.txt

训练与测试

# 多卡 DDP 训练（按 nvidia-smi 自动选卡，--ngpu 指定卡数）
python ./playground/poison_exp.py --experiment=poison --type=cifar10 --ngpu=3 \
    --epochs=100 --lr=0.001 --poison_flag --trigger_id=15 --poison_ratio=0.5 \
    --rand_loc=1 --rand_target=1

# 测试
python ./tests/poison_exp_test.py --pre_experiment=poison --pre_type=cifar10

更多示例见 scripts/ 目录。注意：

• 数据根目录默认指向 --data_root=/mnt/data03/renge/public_dataset/image/，请按实际环境传参。 MNIST/FMNIST/CIFAR/SVHN 可自动下载，GTSRB 用 scripts/download_gtsrb_dataset.sh， ImageNet 与 StegaStamp 隐写数据集需自行准备。
• trigger_id 10–29 需要 <data_root>/triggers/trigger_*.png 触发器素材。
• 显存紧张时可加 --empty_cache_interval=N（每 N 个 batch 清一次 CUDA 缓存）； 默认 0 表示仅在 epoch 间清理，以保证多卡训练吞吐。

依赖四件套升级技术方案（torch / torchvision / numpy / opencv）

当前代码保持在 torch 1.10 / Python 3.8 上运行，暂不升级。 以下方案供将来迁移到新硬件（RTX 40 系 / H100）或新 Python 时执行。

目标版本组合（建议）

依赖	当前	目标	说明
Python	3.8	3.10 / 3.11	torch 2.1 支持 3.8–3.11
torch	1.10.0+cu113	2.1.x（cu118/cu121）	cu118 起支持 sm_89/sm_90
torchvision	0.11.1+cu113	0.16.x	与 torch 2.1 配套
numpy	1.22.3	1.24+	见下方 API 变更
opencv-python	4.1.2.30	4.8+	API 基本兼容

升级时需要修改的代码点

1. np.bool 别名移除（numpy ≥ 1.24 直接报错）
   • playground/bubble_exp.py:171 的 np.bool → 内置 bool 或 np.bool_。
   • np.fromstring/.tostring() 已在当前分支修复为 frombuffer/tobytes，无需再改。
2. torch.meshgrid 缺少 indexing 参数（torch ≥ 1.10 警告，2.x 仍默认 'ij' 但应显式）
   • utee/utility.py:440 改为 torch.meshgrid(array1d_x, array1d_y, indexing='ij')，行为不变。
3. torch.utils.model_zoo 弃用
   • NNmodels/model.py、utee/misc.py:260 的 model_zoo.load_url → torch.hub.load_state_dict_from_url，签名兼容。
4. torch.autograd.Variable 弃用
   • utee/misc.py:239 的 Variable(torch.FloatTensor(data)) → 直接用 tensor。
5. torch.load 默认行为变更（torch ≥ 2.6 默认 weights_only=True）
   • 本项目部分 checkpoint 用 torch.save(model) 保存整个模型对象， 加载处（NNmodels/model.py 的 _load_pretrained、各 test 脚本）需显式传 weights_only=False， 或统一改为只存取 state_dict（推荐，misc.model_snapshot 默认就是 state_dict）。
6. AMP 写法：升级后引入混合精度训练时用 torch.amp.autocast('cuda')（2.x 推荐）， 对本项目 KLDivLoss 的小 loss 值需配合 GradScaler 验证数值稳定性。
7. DataLoader 增强（torch ≥ 1.11 可用）：persistent_workers=True 避免每个 epoch 重建 worker； DistributedSampler(..., drop_last=True) 消除验证集 padding 导致的精度偏差。
8. torchvision 内置 GTSRB（≥ 0.12）：datasets.GTSRB 可替换 dataset/clean_image_dataset.py 中的自定义实现（可选）。
9. 配套依赖：升级 torch 后需同步放开 kornia（≥ 0.7）、torchmetrics 等的版本钉死； tensorboard==2.0.0 升级到 2.x 最新即可，SummaryWriter 调用方式不变。

建议的迁移步骤

1. 新建 Python 3.10 环境，安装目标版本四件套，pip check 确认依赖树无冲突。
2. 按上面 1–5 修改代码（均为机械替换，互不耦合，可逐条提交）。
3. 用 CIFAR-10 小规模任务跑通 poison_exp.py 单卡 → 多卡 DDP，对照旧环境验证： 授权/非授权精度曲线趋势一致、checkpoint 可双向加载。
4. 回归 tests/ 下的各攻击测试（fine_tune / prune / neural_cleanse / grad_cam）。
5. 全部通过后更新 requirements.txt 并替换本节版本表。