硬件触发后门
机器学习
2026-02-03 v2 密码学与安全
摘要
机器学习模型在广泛的计算硬件上部署。虽然这些硬件通常被期望产生相同结果，但其设计差异可能导致推理过程中的数值小幅变动。本文展示了这些变动可被利用以创建模型后门。核心思想是使模型决策函数在同一输入在不同硬件上产生不同预测，通过在目标输入附近局部移动决策边界，再针对特定硬件微调数值偏差以实现预测翻转。我们在常见GPU加速器上证明，这些硬件触发后门可被可靠创建。我们的发现揭示了影响第三方模型使用的新型攻击向量，并探讨了不同防御措施以对抗此类威胁。
引用
@article{arxiv.2601.21902,
title = {Hardware-Triggered Backdoors},
author = {Jonas Möller and Erik Imgrund and Thorsten Eisenhofer and Konrad Rieck},
journal= {arXiv preprint arXiv:2601.21902},
year = {2026}
}