针对嵌入式神经网络模型的激光注入攻击综述
密码学与安全
2021-05-05 v1 人工智能
摘要
对于许多物联网领域，机器学习尤其是深度学习为处理复杂数据并执行具有挑战性且大多为关键的任务提供了非常高效的解决方案。然而，模型在各类设备中的部署面临若干与信任和安全相关的障碍。后者尤为关键，因为已有研究表明神经网络模型的完整性、机密性与可用性受到严重缺陷的影响。然而，此类嵌入式系统的攻击面不能仅归结为抽象缺陷，还必须涵盖这些模型在硬件平台（例如32位微控制器）上实现所带来的物理威胁。在物理攻击中，故障注入分析(Fault Injection Analysis, FIA)已知具有极强威力且攻击向量广泛。最为重要的是，激光束注入等高度聚焦的FIA技术能够对嵌入式系统的脆弱性与鲁棒性进行极为精确的评估。在此，我们探讨如何利用最先进设备进行的激光注入，结合来自对抗机器学习(Adversarial Machine Learning)的理论证据，揭示针对深度学习推理完整性的令人担忧的威胁，并主张理论AI与物理安全界亟需携手努力。
引用
@article{arxiv.2105.01403,
title = {An Overview of Laser Injection against Embedded Neural Network Models},
author = {Mathieu Dumont and Pierre-Alain Moellic and Raphael Viera and Jean-Max Dutertre and Rémi Bernhard},
journal= {arXiv preprint arXiv:2105.01403},
year = {2021}
}
备注
Accepted at 7th IEEE World Forum on Internet of Things (2021)