Bias Busters：使基于 DL 的光刻热点检测器对后门攻击具有鲁棒性
机器学习
2020-04-28 v1 密码学与安全
机器学习
摘要
深度学习（DL）在 CAD 工具流程各环节均有潜在改进空间，其中一个有前景的应用是光刻热点检测。然而，DL 技术已被证明尤其易受推理与训练时对抗攻击。近期工作表明，一小部分恶意物理设计者可在训练阶段隐蔽地“后门”基于 DL 的热点检测器，使其准确分类常规布局片段，却将含有特制触发形状的热点预测为非热点。我们提出一种新颖的训练数据增强策略，作为抵御此类后门攻击的有力防御。该防御通过消除训练数据中引入的故意偏差来工作，且不需要知道哪些训练样本被投毒或后门触发器的性质。我们的结果表明该防御可将攻击成功率从 84% 大幅降至约 0%。
引用
@article{arxiv.2004.12492,
title = {Bias Busters: Robustifying DL-based Lithographic Hotspot Detectors Against Backdooring Attacks},
author = {Kang Liu and Benjamin Tan and Gaurav Rajavendra Reddy and Siddharth Garg and Yiorgos Makris and Ramesh Karri},
journal= {arXiv preprint arXiv:2004.12492},
year = {2020}
}