DNN-Alias：通过层平衡保护深度神经网络免受侧信道攻击
密码学与安全
2023-03-14 v1
摘要
通过基于硬件的侧信道提取给定深度神经网络（DNN）各层的架构，可使攻击者窃取其知识产权，甚至对目标系统发起强大的对抗攻击。在这项工作中，我们提出DNN-Alias，一种针对DNN的混淆方法，它迫使给定网络中的所有层具有相似的执行轨迹，从而防止攻击模型区分各层。为此，DNN-Alias执行多种层混淆操作，例如层分支、层加深等，以在保持功能的同时改变运行时轨迹。DNN-Alias部署进化算法，以在维持用户提供的延迟开销预算的同时，找到最大化安全级别的混淆操作最佳组合。我们通过混淆700个随机生成并混淆的DNN的架构来展示DNN-Alias技术的有效性，这些DNN运行于多台基于Nvidia RTX 2080 TI GPU的机器上。我们的实验表明，最先进的侧信道架构窃取攻击无法准确提取原始DNN。此外，我们混淆了多种DNN的架构，如VGG-11、VGG-13、ResNet-20和ResNet-32网络。使用标准CIFAR10数据集训练DNN，我们表明DNN-Alias通过保持原始推理精度来维持原始DNN的功能。进一步的实验强调，对混淆后DNN的对抗攻击未获成功。
引用
@article{arxiv.2303.06746,
title = {DNN-Alias: Deep Neural Network Protection Against Side-Channel Attacks via Layer Balancing},
author = {Mahya Morid Ahmadi and Lilas Alrahis and Ozgur Sinanoglu and Muhammad Shafique},
journal= {arXiv preprint arXiv:2303.06746},
year = {2023}
}
备注
10 pages