PuzzleMark：神经代码完成模型中鲁棒代码数据集水印的隐式拼图学习

构建和管理高质量的代码数据集需要大量资源，这使得它们成为宝贵的知识产权。不幸的是，这些数据集目前面临着未经授权使用的严重风险。尽管数字水印为版权认证提供了事后机制，但现有方法主要基于共现模式，其鲁棒性不强并且容易受到水印检测和删除攻击。在本文中，我们提出了 PuzzleMark，一种用于代码数据集的鲁棒水印方法。为了降低水印暴露的风险，PuzzleMark引入了载体选择策略，利用代码复杂度来评估代码片段作为水印载体的适合性，并选择那些适合性较高的代码片段作为水印载体。为了增强水印的鲁棒性，PuzzleMark提出了一种新颖的串联模式来代替传统的共现模式，并通过变量名串联实现了两种水印策略。 PuzzleMark 根据代码的固有特征自适应地嵌入水印，使其更加隐蔽，同时保持设计简单性。对于水印验证，PuzzleMark 采用 Fisher 精确测试在黑盒设置下验证可疑模型。实验结果表明，PuzzleMark 实现了 100% 的验证成功率和 0% 的误报率，对模型性能的影响可以忽略不计。我们的人体研究和使用四种最先进的水印检测方法的评估都表明，PuzzleMark 表现出很强的不可察觉性，平均可疑率 $\leq$ 为 0.24，平均召回率为 $\leq$ 30.41%。 PuzzleMark作为一种实用的数字水印方法，为代码数据集的知识产权提供了强有力的保护，并为未来的研究提供了新的见解。