DeepTheft：通过功耗侧信道窃取DNN模型架构
密码学与安全
2023-09-22 v1
摘要
深度神经网络（DNN）模型常作为机器学习即服务（MLaaS）部署于资源共享云中提供推理服务。为窃取具有宝贵知识产权的模型架构，一类基于不同侧信道泄漏的攻击已被提出，对MLaaS构成严重安全挑战。同样针对MLaaS，我们提出一种新颖的端到端攻击DeepTheft，通过基于RAPL的功耗侧信道精确恢复通用处理器上的复杂DNN模型架构。然而，攻击者仅能从RAPL接口获取低采样率（1 KHz）的时间序列能耗轨迹，致使现有技术在窃取大型深层DNN模型时失效。为此，我们设计了一个新颖且通用的基于学习的框架，由一组元模型组成，基于此DeepTheft被证明能高精度恢复来自不同模型家族的大量（数千种）模型架构，包括最深的ResNet152。特别地，DeepTheft在恢复网络结构方面取得了99.75%的Levenshtein距离准确率，在恢复多样化逐层超参数方面取得了99.60%的加权平均F1分数。此外，我们提出的的学习框架可泛化至其他时间序列侧信道信号。为验证其泛化性，我们利用了另一种现有侧信道，即CPU频率。与RAPL不同，CPU频率在裸机操作系统中对无特权用户可访问。通过使用针对CPU频率轨迹训练的通用学习框架，DeepTheft在窃取模型架构时展现出同样高的攻击性能。
引用
@article{arxiv.2309.11894,
title = {DeepTheft: Stealing DNN Model Architectures through Power Side Channel},
author = {Yansong Gao and Huming Qiu and Zhi Zhang and Binghui Wang and Hua Ma and Alsharif Abuadbba and Minhui Xue and Anmin Fu and Surya Nepal},
journal= {arXiv preprint arXiv:2309.11894},
year = {2023}
}
备注
To Appear in the 45th IEEE Symposium on Security and Privacy, May 20-23, 2024