本文针对神经网络模型提取攻击在硬标签（hard-label）场景下的计算效率瓶颈，提出了一种基于代数方法的近似签名向量（ASV）技术。现有最优攻击由 Carlini 等人在 EUROCRYPT 2025 提出，理论上具有多项式时间复杂度，但其核心的双点聚类依赖于奇异值分解（SVD），时间复杂度为 O(n^2*(d^(k))^3)，实际运行开销巨大。为克服这一瓶颈，作者将 Carlini 等人的几何视角硬标签攻击转化为代数框架，利用两个关键观察：高维随机向量近似正交，以及实际深度神经网络中神经元倾向于学习解纠缠特征，从而提出 ASV 方法，将基于 SVD 的秩检查替换为简单的内积运算，使聚类复杂度降至 O(n*(d^(k))^3) 平均复杂度。此外，论文首次提出了针对硬标签最大池化卷积神经网络（CNN）的模型提取攻击，通过提出一种以卷积核为中心的聚类方案的改进 ASV 方法，替代传统的神经元中心聚类，充分利用了卷积中的权重共享特性，填补了 CNN 硬标签模型提取的密码分析空白。实验在 64-64×4-10 FCNN 和带最大池化的 LeNet-5 CNN 上进行，结果表明 ASV 方法大幅削减了聚类时间，并提升了模型提取的整体效率。该研究主要面向安全研究社区，特别是从事模型窃取攻击与防御、机器学习即服务（MLaaS）安全性研究的人员，为理解硬标签场景下的高效模型提取提供了新的代数视角和实用方法。