由于从零开始训练大型语言模型（LLM）成本高昂，保护LLM的知识产权（IP）变得愈发重要。作为知识产权归属验证的标准范式，LLM指纹技术在应对这一挑战中发挥着关键作用。现有LLM指纹方法通过提取或注入模型特异性特征来验证所有权，但这些方法忽视了验证过程中可能遭遇的攻击，当模型盗用者完全控制LLM的推理过程时，其有效性便大打折扣。在此类场景下，攻击者可通过共享提示-响应对实现指纹遗忘，或操纵输出以规避精确匹配验证。为此，我们提出iSeal，这是首个专为在模型盗用者以端到端方式完全控制疑似模型时，仍能实现可靠验证的指纹技术。iSeal在模型本身与外部模块中均注入了独特特征，并结合错误校正机制与基于相似度的验证策略，使其对验证阶段的各类攻击具备强抵御能力，包括基于合谋的指纹遗忘攻击和输出操纵攻击。该方法在理论分析与实证结果的双重支持下，对12个LLM在超过10种攻击下均实现了100%的指纹成功识别率（FSR），而基线方法在面对指纹遗忘与输出操纵攻击时则全面失效。