الهندسة العكسية للعلامة المائية SynthID

نظرة عامة

يحتوي هذا الدليل على أدوات لتحليل وإزالة العلامات المائية SynthID من النصوص المُنشأة بواسطة الذكاء الاصطناعي. تم تطوير العلامة المائية بواسطة Google DeepMind ونشرت في مجلة Nature (2024).

كيف تعمل SynthID

عملية وضع العلامة المائية

1. سياق N-gram: لكل موضع رمز، تأخذ SynthID الرموز السابقة ngram_len - 1 (الافتراضي: 4 رموز) كسياق.

2. حساب التجزئة: تحسب تجزئة لـ:

   • رموز السياق
   • الرمز المرشح التالي
   • مجموعة من مفاتيح العلامة المائية السرية (30 مفتاحًا افتراضيًا)

3. تعيين القيمة G: يتم استخدام التجزئة لتعيين قيمة ثنائية g (0 أو 1) لكل رمز تالي محتمل لكل طبقة مفتاح.

4. تعديل الاحتمالات: يتم تعديل احتمالات الرموز لتفضيل الرموز ذات القيمة g = 1:

   new_prob[i] = prob[i] * (1 + g[i] - mean(g * prob))
   

5. أخذ العينات: يقوم النموذج بأخذ عينات من التوزيع المعدل.

عملية الكشف

1. تجزئة النص إلى رموز
2. لكل n-gram، حساب قيم g باستخدام نفس المفاتيح
3. إذا كان متوسط قيمة g أكبر بشكل ملحوظ من 0.5، فإن النص يحمل علامة مائية

نقاط الضعف

1. هجوم إعادة الصياغة (الأكثر فعالية)

الفعالية: 90-100%

يتم تضمين العلامة المائية في تسلسل الرموز المحدد، وليس في المعنى. إعادة الصياغة باستخدام نموذج غير مميز بالعلامة المائية يعيد توليد تسلسل الرموز بالكامل.

from reverse_synthid import ParaphrasingAttack
attack = ParaphrasingAttack(model_name="gpt2")
clean_text = attack.paraphrase(watermarked_text)

2. هجوم استبدال الرموز

الفعالية: 50-70%

استبدال الرموز بمرادفاتها يكسر أنماط n-gram:

from reverse_synthid import TokenPerturbationAttack
attack = TokenPerturbationAttack()
clean_text = attack.substitute_synonyms(text, rate=0.3)

3. هجوم الهوموغليف

الفعالية: 95-100%

استبدال الأحرف بأحرف Unicode متطابقة بصريًا يكسر التجزئة:

from reverse_synthid import HomoglyphAttack
attack = HomoglyphAttack()
clean_text = attack.apply_homoglyphs(text, rate=0.1)

4. إزاحة حدود N-gram

الفعالية: 30-50%

إدراج الكلمات أو حذفها يزيح جميع حدود n-gram اللاحقة:

from reverse_synthid import TokenPerturbationAttack
attack = TokenPerturbationAttack()
clean_text = attack.insert_fillers(text, rate=0.1)

الملفات

• reverse_synthid.py - مجموعة أدوات الهجوم الرئيسية مع طرق متعددة
• analyze_watermark.py - أداة كشف وتحليل العلامة المائية
• test_removal.py - برنامج اختبار يوضح إزالة العلامة المائية

الاستخدام

تحليل العلامة المائية

python analyze_watermark.py --input text.txt --verbose

إزالة العلامة المائية

# باستخدام إعادة الصياغة (الأكثر فعالية، يتطلب نموذجًا)
python analysis/reverse_synthid.py --input text.txt --output clean.txt --method paraphrase

# باستخدام الاضطراب (لا يتطلب نموذجًا)
python analysis/reverse_synthid.py --input text.txt --output clean.txt --method perturb

# باستخدام هجوم مشترك
python reverse_synthid.py --input text.txt --output clean.txt --method combined

تشغيل الاختبار

python analysis/test_removal.py

مقارنة النص المميز بالعلامة المائية SynthID مقابل النص منزوع العلامة المائية

التفاصيل التقنية

الرؤية الأساسية: العلامة المائية هشة

تعتمد العلامة المائية على:

1. تسلسلات الرموز الدقيقة - أي تغيير في الرموز يؤثر على n-grams
2. نوافذ السياق - إدراج الرموز يزيح جميع السياقات
3. دالة التجزئة - البايتات المختلفة تنتج تجزئات مختلفة

لماذا تنجح إعادة الصياغة

عند إعادة صياغة النص:

1. يتم الحفاظ على المعنى الدلالي
2. لكن الرموز الدقيقة تكون مختلفة تمامًا
3. تجزئات n-gram تكون مختلفة تمامًا
4. يتم تدمير نمط القيمة g

التحليل النظري

لنص طوله N بقوة علامة مائية W:

• معدل الاستبدال r يقلل الإشارة بمقدار تقريبي 1 - (1-r)^(ngram_len)
• معدل الإدراج r يزيح حدود N*r من n-grams
• إعادة الصياغة تؤدي أساسًا إلى جعل W → 0 (إعادة توليد كاملة)

القيود

1. قد تغير إعادة الصياغة الفروق الدقيقة في المعنى
2. قد تكون الهجمات البسيطة قابلة للكشف
3. قد تكون العلامات المائية المستقبلية أكثر متانة

إخلاء المسؤولية

هذا الكود لأغراض تعليمية وبحثية فقط. يوضح نقاط الضعف في أنظمة العلامات المائية للمساعدة في تطوير طرق أكثر متانة.

المراجع

1. Dathathri et al. "Scalable watermarking for identifying large language model outputs." Nature 634, 818-823 (2024).
2. https://github.com/google-deepmind/synthid-text