人工智能任务中用到的多模态数据通常由传感器采集，这些数据的真实可信验证和隐私安全保护是智能系统中需要解决的重要问题。感知数据在捕捉感知内容的同时也反映出了采集设备（如摄像头）的特征。设备传感器之间由于制造过程中的差异使得即使是同一型号同一批次下的设备产生的数据之间也会存在微小的差异，我们称之为数据中的设备指纹。设备指纹具有很强的稳定性，不会随着用户更换账号或者设备重置等途径修改，能有效进行跨应用、跨平台的设备识别。针对非结构化数据的设备指纹，项目组用球桶模型对数据指纹的容量进行了理论建模分析；设计了Stack-LSTM网络来实现高精度的非结构化数据设备指纹识别，实现结果显示在117台设备上仅使用二十秒的传感器数据有效区分设备指纹的成功率可达到99%以上；为了无损数据效用地保护用户数据的设备指纹隐私，研究并提出了基于GAN网络的设备指纹消去方法，能有效去除非结构化数据中的设备指纹，而不影响数据的正常使用。如图1-2所示，相关工作发表在CCF A类会议IEEE INFOCOM 2018和A类期刊IEEE/ACM TON上。

图1. 数据指纹提取模型

图2. 数据指纹消去模型