EIM-TRNG：通过 RowHammer 利用内存编码真随机数生成器混淆深度神经网络权重
密码学与安全
2025-07-04 v1 人工智能
摘要
真随机数生成器（TRNG）在硬件安全、密码系统和数据保护中发挥着基础性作用。在深度神经网络（DNN）的背景下，保护模型参数（尤其是权重）对于确保人工智能系统的完整性、隐私和知识产权至关重要。尽管基于软件的伪随机数生成器被广泛使用，但它们缺乏基于硬件的 TRNG 所提供的不可预测性和鲁棒性。在本工作中，我们首次提出了一种新颖且鲁棒的内存编码 TRNG，称为 EIM-TRNG，它利用 DRAM 单元行为中固有的物理随机性，特别是在 RowHammer 诱导的扰动下的行为。我们演示了如何将通过精心控制的 RowHammer 操作产生的不可预测的位翻转作为一种可靠的熵源加以利用。此外，我们应用该 TRNG 框架，通过固定和不可预测的位翻转组合进行编码，以保护 DNN 权重数据。加密数据随后使用源自概率翻转行为的密钥进行解密，从而确保数据机密性和模型真实性。我们的结果验证了基于 DRAM 的熵提取在实现鲁棒、低成本硬件安全方面的有效性，并为在硬件层面保护机器学习模型提供了一个有前景的方向。
引用
@article{arxiv.2507.02206,
title = {EIM-TRNG: Obfuscating Deep Neural Network Weights with Encoding-in-Memory True Random Number Generator via RowHammer},
author = {Ranyang Zhou and Abeer Matar A. Almalky and Gamana Aragonda and Sabbir Ahmed and Filip Roth Trønnes-Christensen and Adnan Siraj Rakin and Shaahin Angizi},
journal= {arXiv preprint arXiv:2507.02206},
year = {2025}
}