保护机器学习硬件免受物理侧信道攻击
密码学与安全
2021-09-02 v1
摘要
机器学习（ML）模型因其开发成本可成为商业秘密。因此，它们需要防范恶意形式的逆向工程（例如知识产权盗用）。随着 ML 日益向边缘设备转移，部分出于性能、部分出于隐私考量，模型已易受所谓的物理侧信道攻击。与密码学相比，ML 是相对较新的攻击目标，这导致在缺乏公开文献的语境下出现了侧信道分析问题。日益增多的基于边缘的 ML 设备与为其提供侧信道安全的充分防御研究之间的差距，因而促成了我们的研究。我们的工作开发并组合了面向硬件模块中 ML 模型的不同侧信道防御方案。我们提出并优化了基于布尔掩码的首个防御方案。我们首先实现了所有掩码硬件模块。随后提出了一种加法器优化以降低面积与延迟开销。最后，将其与基于乱序的防御相结合。我们量化得出，掩码的面积-延迟开销根据所用加法器拓扑结构在 5.4 到 4.7 之间，并展示了对数百万条功耗轨迹的一阶侧信道安全性。此外，乱序对策阻碍了对我们一阶掩码实现的直白二阶攻击。
引用
@article{arxiv.2109.00187,
title = {Guarding Machine Learning Hardware Against Physical Side-Channel Attacks},
author = {Anuj Dubey and Rosario Cammarota and Vikram Suresh and Aydin Aysu},
journal= {arXiv preprint arXiv:2109.00187},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.09532