이 논문은 배포 후 은밀히 변경된 LLM을 탐지하기 위한 프라이버시 보존형 zk-SNARK 감사 프레임워크를 제안한다. 모델 가중치가 비공개인 상황에서도 승인된 모델과 실제 배포 모델 간 로짓 차이를 증폭시키는 적대적 프로브를 설계해, 블랙박스(토큰 기반)부터 그레이박스(임베딩 기반), 화이트박스에 가까운 스트레스 프로브까지 접근 수준별로 선택할 수 있게 했다. 여러 LLM 아키텍처와 GPU 플랫폼, 모델 변조 시나리오에서 실험한 결과 별도의 모델 접근 권한 없이 작동하는 토큰 기반 프로브가 가장 높은 평균 민감도를 보였다. Groth16 zk-SNARK 워크플로는 프로브 개수를 1개에서 50개로 늘려도 증명 시간이 1.02~1.78초, 검증 시간은 약 0.84초로 일정하게 유지되어 실용적임을 입증했다.

• •적대적 예제 원리를 응용해 승인 모델과 변조 배포 모델 간 로짓 드리프트를 증폭하는 프로브를 설계
• •토큰 기반(블랙박스), 임베딩 기반(그레이박스), 스트레스(화이트박스급) 등 접근 수준별 프로브 패밀리 제공
• •블랙박스 접근만으로 작동하는 토큰 기반 프로브가 모든 모델·GPU 조합에서 가장 높은 민감도 기록
• •Groth16 zk-SNARK는 프로브 50개까지 확장해도 증명 1.78초, 검증 0.84초, 고정 증명 크기로 실용성 확보