arXiv cs.AI· William Fleshman·· 1 天前AI 评分29
STEALTH：不依赖底层张量硬件精度的隐写文本编码方案
STEALTH: Steganographic Text Encoding Agnostic to Low-Level Tensor Hardware
AI 导读
STEALTH 是一种对浮点精度、量化和 GPU 架构不敏感的语言模型隐写编码方案，解决了现有比特精确方案在收发端精度或硬件不一致时几乎无法解码的问题。
正文 · AI 翻译
摘要：可证明安全性的语言隐写术将消息隐藏在从语言模型采样得到的文本中，使得在没有密钥的情况下，隐写文本在计算上无法与真实的模型采样区分开来。几乎所有此类方案都假设接收方能够逐比特精确地重新计算发送方的 token 概率。我们证明这一假设是脆弱的：在三个模型系列中，一旦接收方的浮点精度、量化方式或 GPU 架构与发送方不同，甚至当接收方只是在相同模型、精度和硬件固定的情况下并行地对文本打分而非逐个 token 打分时，比特精确的方案几乎无法解码我们发送的任何消息。我们提出 STEALTH，一种专为这一场景设计的方案。发送方通过由密钥控制的伪随机噪声驱动的指数竞争来抽取每个 token，因此接收方的概率不匹配只有在竞争接近时才会翻转某个 token；一种由束搜索解码的无速率脊柱码（rateless spinal code）能够吸收由此产生的翻转，而发送方和接收方无需就任何单一分布达成一致。我们证明在此构造下隐写文本仍与真实采样无法区分。在实验中，对于发送方模型系列中的每一个接收方、在每一种精度和量化级别下、在更小的模型上、以及在不同的 GPU 架构上，STEALTH 都能解码我们发送的每一条消息。STEALTH 甚至能跨具有不同词表和分词器的不同模型系列保持稳健，解码了我们测试的每一条消息。相比先前的稳健方案，我们的方法每个 token 承载的有效载荷要高得多，而且训练过的隐写分析器和一项针对性的统计测试都无法将其隐写文本与真实的模型输出区分开来。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.16928 [cs.CR] |
| （或 arXiv:2611.16928v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16928 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：William Fleshman [查看电子邮件]
[v1]
2026年11月12日 星期四 15:15:43 UTC（293 KB）
来源：arXiv cs.AI · arxiv.org