缓存通灵：利用共享资源攻击学习DNN架构
分布式、并行与集群计算
2018-08-15 v1 密码学与安全
机器学习
摘要
深度神经网络（DNN）因其在各类机器学习任务中能获得良好精度而迅速变得无处不在。DNN的架构（即其超参数）大致决定了DNN的精度与性能，且通常是保密的。在云中对DNN发起攻击以获取其架构可能带来重大商业价值。此外，获得DNN架构有助于其他已有的DNN攻击。本文提出Cache Telepathy：一种利用缓存侧信道快速且准确地窃取DNN架构的机制。我们的攻击基于这样的洞察：DNN推理严重依赖分块GEMM（广义矩阵乘法），且DNN架构参数决定了GEMM调用次数及GEMM函数所用矩阵的维度。此类信息可通过缓存侧信道泄露。本文使用Prime+Probe和Flush+Reload攻击运行OpenBLAS和Intel MKL库的VGG与ResNet DNN。我们的攻击通过大幅缩减目标DNN架构的搜索空间，有效助力获取架构。例如，对于使用OpenBLAS的VGG，它将搜索空间从超过种架构缩减到仅16种。
引用
@article{arxiv.1808.04761,
title = {Cache Telepathy: Leveraging Shared Resource Attacks to Learn DNN Architectures},
author = {Mengjia Yan and Christopher Fletcher and Josep Torrellas},
journal= {arXiv preprint arXiv:1808.04761},
year = {2018}
}