一种基于去同步化的神经网络侧信道分析对抗措施
密码学与安全
2023-04-03 v1 机器学习
摘要
模型提取攻击已被广泛应用，通常可用于恢复神经网络多层的机密参数。近来，神经网络的侧信道分析甚至可对具有多个深层网络的网络实现高效参数提取。因此，有必要针对此类攻击实施一定程度的防护。本文提出一种基于去同步化的对抗措施，使激活函数的时间分析更困难。我们分析了若干激活函数的时间特性，并设计去同步化以隐藏其对输入与激活类型的依赖。我们在32位ARM Cortex-M4微控制器上实验验证该对抗措施的有效性，并采用t检验展示侧信道信息泄露。开销最终取决于全连接层神经元数量，例如VGG-19中4096个神经元时，开销介于2.8%与11%之间。
引用
@article{arxiv.2303.18132,
title = {A Desynchronization-Based Countermeasure Against Side-Channel Analysis of Neural Networks},
author = {Jakub Breier and Dirmanto Jap and Xiaolu Hou and Shivam Bhasin},
journal= {arXiv preprint arXiv:2303.18132},
year = {2023}
}
备注
Accepted to the International Symposium on Cyber Security, Cryptology and Machine Learning 2023 (CSCML)