能量-延迟攻击：深度学习的一种新型对抗威胁
密码学与安全
2025-03-10 v1 人工智能
摘要
深度神经网络（DNNs）日益增长的计算需求引发了对其能耗和碳足迹的担忧，特别是随着模型规模和复杂度的持续增加。为应对这些挑战，能效硬件和定制加速器已成为必需品。此外，可适应的DNNs也在被开发，以动态平衡性能与效率。这些策略的使用变得更加普遍，以支持可持续的AI部署。然而，这些面向效率的设计也可能引入漏洞，因为攻击者可以通过触发其最差性能场景来利用它们，从而增加延迟和能耗。这种新型攻击被称为能量-延迟攻击，近期获得了大量研究关注，聚焦于DNNs对这种新兴攻击范式的脆弱性，该攻击可触发拒绝服务（DoS）攻击。本文对当前关于能量-延迟攻击的研究提供了全面综述，使用传统的对抗攻击分类法对其进行分类。我们探讨了用于衡量这些攻击成功与否的不同指标，并对现有攻击策略进行了分析和比较。我们还分析了现有的防御机制，并指出了当前面临的挑战以及这一发展领域中潜在的未来研究方向。本工作的GitHub页面可通过 https://github.com/hbrachemi/Survey_energy_attacks/ 访问。
引用
@article{arxiv.2503.04963,
title = {Energy-Latency Attacks: A New Adversarial Threat to Deep Learning},
author = {Hanene F. Z. Brachemi Meftah and Wassim Hamidouche and Sid Ahmed Fezza and Olivier Deforges},
journal= {arXiv preprint arXiv:2503.04963},
year = {2025}
}