HWGN2：通过安全与私有函数计算实现抗侧信道的神经网络
密码学与安全
2022-08-09 v1
摘要
近期工作凸显了深度学习（DL）模型的知识产权（IP）从 DL 硬件加速器的侧信道泄漏中被盗版的风险。作为回应，为 DL 硬件加速器提供抗侧信道泄漏能力，已提出若干方法，主要借用于为密码学实现所设计的方法论。因此，正如预期，此类对策复杂设计所带来的相同挑战亦需应对。尽管基础的密码学方法，特别是安全与私有函数计算，有可能改善对抗侧信道泄漏的鲁棒性。为检验这一点并权衡成本与收益，我们引入了硬件乱码神经网络（HWGN2），一种在 FPGA 上实现的 DL 硬件加速器。HWGN2 还通过对硬件-通信成本进行权衡，为 NN 设计者在硬件资源严重受限的实时应用中保护其 IP 提供了灵活性。具体而言，我们应用乱码电路，使用 MIPS 架构实现，与最先进方法相比最多减少 62.5 倍逻辑量和 66 倍内存占用，代价是通信开销。此外，HWGN2 的抗侧信道能力通过采用测试向量泄漏评估（TVLA）测试针对功率和电磁侧信道进行演示。这加之 HWGN2 的固有特性：它确保用户输入的隐私，包括 NN 的架构。我们还展示了对恶意安全模型的自然扩展——作为我们实现的副产品。
引用
@article{arxiv.2208.03806,
title = {HWGN2: Side-channel Protected Neural Networks through Secure and Private Function Evaluation},
author = {Mohammad Hashemi and Steffi Roy and Domenic Forte and Fatemeh Ganji},
journal= {arXiv preprint arXiv:2208.03806},
year = {2022}
}