面向功耗的脉冲神经网络故障注入攻击分析
人工智能
2022-04-12 v1 神经与进化计算
摘要
脉冲神经网络(SNN)正迅速成为深度神经网络(DNN)的可行替代方案。与 DNN 相比，SNN 计算能力更强且能效更优。SNN 初看令人振奋，但包含安全敏感资产（如神经元阈值电压）与漏洞（如分类精度对神经元阈值电压变化的敏感性），可被对手利用。我们研究全局故障注入攻击，采用外部电源与激光诱导局部功率故障来破坏使用常见模拟神经元开发的 SNN 上的关键训练参数，如脉冲幅度与神经元膜阈值电位。我们还评估了基于功率的攻击对单个 SNN 层的影响，攻击范围从 0%（即无攻击）到 100%（即整层受攻击）。我们调查了攻击对数字分类任务的影响，发现最坏情况下分类精度降低 85.65%。我们还提出防御措施，例如对功率导向攻击免疫的鲁棒电流驱动器设计、改进神经元元件电路尺寸以以可忽略面积与 25% 功耗开销为代价降低/恢复对抗精度退化。我们还提出一种基于虚拟神经元的电压故障注入检测系统，具有 1% 功耗与面积开销。
引用
@article{arxiv.2204.04768,
title = {Analysis of Power-Oriented Fault Injection Attacks on Spiking Neural Networks},
author = {Karthikeyan Nagarajan and Junde Li and Sina Sayyah Ensan and Mohammad Nasim Imtiaz Khan and Sachhidh Kannan and Swaroop Ghosh},
journal= {arXiv preprint arXiv:2204.04768},
year = {2022}
}
备注
Design, Automation and Test in Europe Conference (DATE) 2022