利用功耗信息增强基于单层非易失性存储器交叉阵列神经网络的对抗攻击
机器学习
2022-07-07 v1
摘要
对最先进机器学习模型的对抗攻击对任务关键型自主系统的安全构成重大威胁。本文考虑了当攻击者能够测量其底层硬件平台功耗时，机器学习模型所面临的额外脆弱性。特别地，我们探索了功耗信息对基于非易失性存储器 (NVM) 交叉阵列的单层神经网络对抗攻击的效用。我们在 MNIST 与 CIFAR-10 数据集上的实验结果表明，功耗可揭示神经网络权重矩阵的重要信息，例如其各列的 1-范数。该信息可用于推断网络损失相对于不同输入的敏感性。我们还发现，利用交叉阵列功耗信息的基于替代模型的黑盒攻击可提升攻击效率。
引用
@article{arxiv.2207.02764,
title = {Enhancing Adversarial Attacks on Single-Layer NVM Crossbar-Based Neural Networks with Power Consumption Information},
author = {Cory Merkel},
journal= {arXiv preprint arXiv:2207.02764},
year = {2022}
}