# 实验14 · 数据库水印植入与溯源（自研差异化能力）

> 对应模块 M2.5 ｜ 2 学时 ｜ 产出物：水印工程版脚本 + 溯源报告
> 这是课程的"招牌实验"：控制台页签⑤是演示版，本实验从演示版打到工程版——**也是你将来可打包售卖的自研能力**

## 实验目标
实现完整版数据库水印：① 多比特水印按密钥散列嵌入金额小数位（业务误差容忍内）；② 抗"取子集/重聚合"的提取验证；③ 从泄露样本反向定位泄露源（哪次导出、哪个工号）。

## 前置条件
- 已装 `pip install pymysql pandas hashlib`（标准库为主）
- MySQL 业务库：192.168.32.130:3306，bank_biz
- 先玩一遍控制台页签⑤，理解 4bit 演示版

## 实验步骤

### Step 1：升级到多比特水印（30 分钟）
新建 `watermark.py`，工程版三要素：**密钥选行、比特嵌入、盲提取**：

```python
import pymysql, pandas as pd, hashlib

KEY = "sdfin-2026"      # 水印密钥：只有数据拥有方知道
TOLERANCE = 0.03        # 业务容忍：金额±3分不影响对账

def _h(s: str) -> int:
    return int(hashlib.sha256(s.encode()).hexdigest(), 16)

def embed(df: pd.DataFrame, secret: str) -> pd.DataFrame:
    """把 secret 的二进制（如工号哈希的 16bit）按密钥散列嵌入 amount 列"""
    bits = bin(int(hashlib.sha256(secret.encode()).hexdigest(), 16))[-16:]
    out = df.copy()
    for i in out.index:
        row_key = f"{KEY}:{i}"
        if _h(row_key) % 100 < 50:                 # 约一半行参与（抗抽样）
            bit = bits[_h(f"{KEY}:bit:{i}") % 16]
            delta = (1 if bit == '1' else -1) * 0.01 * (1 + _h(row_key) % 3)
            out.loc[i, "amount"] = round(out.loc[i, "amount"] + delta, 2)
    return out

def extract(watered: pd.DataFrame, original_amounts: list) -> str:
    """盲提取：拿'原值比对'简化版（工程版用多数投票，见 Step 3 思考）"""
    marks = ""
    for j, (_, row) in enumerate(watered.iterrows()):
        row_key = f"{KEY}:{j}"
        if _h(row_key) % 100 < 50:
            diff = row["amount"] - original_amounts[j]
            marks += "1" if diff > 0 else "0"
    return marks[:16]
```

### Step 2：植入与自提取验证（20 分钟）
```bash
python - << 'EOF'
from watermark import *
import pymysql, pandas as pd
c = pymysql.connect(host='192.168.32.130', port=3306, user='root',
                    password='fds_root_2026', database='bank_biz')
df = pd.read_sql("SELECT * FROM transactions LIMIT 200", c)
orig = df["amount"].astype(float).tolist()

w = embed(df, "OP0033")
diff = (w["amount"].astype(float) - df["amount"].astype(float)).abs()
print("最大扰动:", diff.max(), "分级容忍内:", bool((diff <= TOLERANCE).all()))

extracted = extract(w, orig)
import hashlib as H
expect = bin(int(H.sha256(b"OP0033").hexdigest(), 16))[-16:][:16]
print("提取指纹:", extracted)
print("期望指纹:", expect[:len(extracted)])
print("一致:", extracted == expect[:len(extracted)])
w.to_csv("exp14_watered.csv", index=False, encoding="utf-8-sig")
EOF
```
截图三行输出：最大扰动 / 提取指纹 / 一致 True。

### Step 3：抗攻击测试（核心采分点，30 分钟）
对水印数据依次做三种"攻击"，每次重新提取并记录指纹残存度：

```python
# 追加到 watermark.py 底部直接跑
import hashlib as H
def residual(w: pd.DataFrame, orig: list) -> str:
    return extract(w, orig)

# 攻击1：抽样 50%（泄露者只拿走一半数据）
sample = w.sample(frac=0.5, random_state=1)
print("抽样50%后提取:", residual(sample, orig[:len(sample)]))
# 提示：抽样后行号错位，正确做法是带着原索引提取——
#       把 extract 里的 j 换成 row 的真实 index，重测残存度（★ 必做修改）

# 攻击2：金额取整到元（抹平分位扰动）
rounded = w.copy(); rounded["amount"] = rounded["amount"].round(0)
print("取整后提取:", residual(rounded, orig))

# 攻击3：重聚合（按账户求和）——预期指纹丢失，引出"行级水印 vs 聚合水印"
```
报告必答三问：
1. 抽样 50% 后残存多少比特？为什么？（密钥选行 → 留下的行仍带指纹）
2. 取整为什么能抹掉 1 分级扰动？怎么加固？（提示：嵌到"个位奇偶"比嵌到"分位"更抗取整，代价是扰动变大——写你的权衡）
3. 聚合攻击下行级水印失效，工程上怎么办？（聚合水印/统计指纹，课程 M2.5 讲稿第 5 节）

### Step 4：溯源演示——从流出数据定位工号（15 分钟）
```bash
python - << 'EOF'
from watermark import *
import pandas as pd, hashlib as H
# 场景：外部论坛出现一份 200 行交易数据，怀疑内部导出
leaked = pd.read_csv("exp14_watered.csv")          # 当作"流出的数据"
for suspect in ["OP0011", "OP0033", "OP0058"]:
    guess = bin(int(H.sha256(suspect.encode()).hexdigest(), 16))[-16:][:16]
    got = extract(leaked, orig)
    score = sum(a == b for a, b in zip(got, guess)) / len(got)
    print(f"{suspect} 指纹吻合度: {score:.0%}")
# 预期：OP0033 吻合度最高 -> 泄露源 = OP0033 的那次导出
EOF
```

### Step 5：写一页"水印方案说明"（作为可售卖能力的说明书）（15 分钟）
按产品文档格式写：适用场景 / 嵌入位置 / 密钥管理 / 抗攻击边界 / 与审计日志的组合用法。
这份文档将来直接进产品资料包——**写得好它就是你的作品集亮点**。

## 验收自查
- [ ] 多比特嵌入/提取自洽（一致 True 截图）
- [ ] 三种攻击残存度数据齐全
- [ ] 三问都有书面回答
- [ ] 溯源演示命中 OP0033
- [ ] 方案说明一页纸

## 评分要点（10 分制）
工程版实现 3 分｜抗攻击测试与权衡分析 3 分｜溯源闭环 2 分｜方案说明文档 2 分

## 常见问题
| 问题 | 处理 |
|---|---|
| 提取指纹对不上 | 99% 是行号错位：抽样攻击后必须带原 index 提取（★ 处已提示） |
| 扰动导致对账不平 | TOLERANCE 是业务口径；报告里写清"±3分内不影响分录平衡"的假设 |
| 想换位置嵌入 | 把 amount 换成任何数值列即可；文本列需另实现（讲稿第 5 节） |

## 提交物
`watermark.py` + `exp14_watered.csv` + 攻击测试输出截图 + 三问答案 + 一页方案说明
