深度神经网络参数侧信道提取的实用介绍
密码学与安全
2022-11-11 v1 机器学习
摘要
模型提取是嵌入式深度神经网络模型面临的一项重大威胁，它利用了扩展的攻击面。事实上，通过物理访问设备，对手可能利用侧信道泄漏来提取模型的关键信息（即其架构或内部参数）。可能存在不同的对抗目标，包括精确提取架构和参数的保真度场景（模型克隆）。本工作聚焦于嵌入在高端 32 位微控制器中的深度神经网络软件实现，并揭示了通过侧信道分析进行基于保真度的参数提取所面临的若干挑战，从基本的乘法运算到跨层的全连接。为了精确提取以单精度浮点 IEEE-754 标准表示的参数值，我们提出了一种迭代过程，并使用仿真和来自 Cortex-M7 目标的迹线对该过程进行了评估。据我们所知，本工作是首个针对此类高端 32 位平台的工作。重要的是，我们提出并讨论了完整提取深度神经网络模型剩余的挑战，尤其是偏置这一关键情况。
引用
@article{arxiv.2211.05590,
title = {A Practical Introduction to Side-Channel Extraction of Deep Neural Network Parameters},
author = {Raphael Joud and Pierre-Alain Moellic and Simon Pontie and Jean-Baptiste Rigaud},
journal= {arXiv preprint arXiv:2211.05590},
year = {2022}
}
备注
Accepted at Smart Card Research and Advanced Application Conference (CARDIS 2022)