El aprendizaje profundo se utiliza ampliamente para adquirir modelos predictivos para sistemas de crowdsensing móvil (MCSs). Estos modelos mejoran significativamente la disponibilidad y el rendimiento de MCSs en escenarios del mundo real. Sin embargo, el entrenamiento de estos modelos requiere recursos de datos sustanciales, lo que los hace valiosos para sus propietarios. Se han propuesto numerosos esquemas de protección para mitigar posibles pérdidas económicas derivadas de problemas legales relacionados con los derechos de autor del modelo. Aunque son capaces de proporcionar verificación de derechos de autor, estos esquemas comprometen la utilidad del modelo o resultan ineficaces contra ataques adversarios. Además, la preocupación por la privacidad en torno a la verificación de derechos de autor es notable, dada la creciente preocupación por la privacidad entre los propietarios de modelos. Este documento introduce un marco de pruebas de preservación de la privacidad para la protección de derechos de autor (PTFCP) que comprende múltiples protocolos. Nuestros protocolos se adhieren al modelo de dos servidores en la nube, donde el propietario y el sospechoso transmiten la salida de su modelo a servidores no coludidos para evaluar la similitud del modelo a través del criptosistema de clave pública con descifrado distribuido (PCDD) y circuitos enmascarados. Además, hemos desarrollado técnicas novedosas para habilitar la diferenciación segura para valores absolutos. Nuestros experimentos en conjuntos de datos del mundo real demuestran que nuestros protocolos en el PTFCP operan con éxito bajo numerosos escenarios de violación de derechos de autor, como el ajuste fino, la poda y la extracción.