深度神经网络的能量后门攻击
计算机视觉与模式识别
2025-01-15 v1
摘要
深度学习（DL）的兴起增加了计算复杂度和能源消耗，促使采用应用特定集成电路（ASICs）用于能源效率高的边缘和移动部署。然而，近期研究表明，这些加速器对能源攻击极其脆弱。尽管已develop了各种推断时间能源攻击，但后门能源攻击尚未探索。在本文中，我们设计了一种创新的能源后门攻击，针对基于稀疏性加速器上的深度神经网络（DNN）。我们的攻击分为两个 distinct 阶段：后门注入和后门隐蔽性。使用在 CIFAR-10 和 Tiny ImageNet 数据集上训练的 ResNet-18 和 MobileNet-V2 模型的实验结果显示，我们提议的攻击在触发样本上增加能源消耗，同时保持干净/常规输入的模型性能，这表明 DNN 对能源后门攻击的脆弱性。我们的攻击的源代码可在：https://github.com/hbrachemi/energy_backdoor 中获得。
引用
@article{arxiv.2501.08152,
title = {Energy Backdoor Attack to Deep Neural Networks},
author = {Hanene F. Z. Brachemi Meftah and Wassim Hamidouche and Sid Ahmed Fezza and Olivier Déforges and Kassem Kallas},
journal= {arXiv preprint arXiv:2501.08152},
year = {2025}
}