该论文针对卷积神经网络（CNN）中最大池化层的参数提取攻击进行了系统研究。参数提取攻击旨在通过黑盒输入-输出查询恢复深度神经网络的权重和偏置，此前已在基于ReLU的全连接神经网络（FCNN）上得到广泛探索，但在包含最大池化层的CNN中仍是空白。最大池化层引入了额外的非线性，并隐藏了ReLU的关键点，导致现有的FCNN提取方法无法直接适用。作者提出了首个针对具有最大池化功能的CNN的密码分析提取攻击。首先，建立了CNN的代数表示，形式化地证明了CNN是分段线性函数，从而可以扩展基于线性原理的提取方法。其次，识别出CNN中两类新型关键点：ReLU-池化关键点（RPCPs）和池化切换点（PSPs）。针对这两类关键点，设计了互补的提取技术：针对RPCPs的基于模式匹配的方法用于恢复部分签名和符号；针对PSPs的内部差分提取攻击（受密码学内部差分分析启发）用于恢复高精度签名。由于PSP比RPCP丰富得多，且提取效率高，而RPCP对于偏置恢复不可或缺，因此将两者集成：PSP方法实现高效签名提取，单个RPCP恢复符号和偏置。作者在多个CNN架构上进行了评估，包括在随机数据、MNIST和CIFAR-10上训练的现代LeNet-5变体。实验结果表明，该方法在多项式查询复杂度和运行时间内实现了高提取精度，即使对于深层CNN层也有效。该工作填补了CNN安全中的研究空白。