如开卷般可读？通过32位微控制器上的简单功耗分析读取神经网络架构
密码学与安全
2024-02-07 v2 人工智能
机器学习
摘要
模型提取是AI系统安全日益关注的问题。对于深度神经网络模型，架构是攻击者旨在恢复的最重要信息。作为重复计算块的序列，部署在边缘设备上的神经网络模型会产生独特的侧信道泄漏。当目标平台可被物理访问时，后者可被利用来提取关键信息。通过结合关于深度学习实践的理论知识以及对广泛使用的实现库（ARM CMSIS-NN）的分析，我们旨在回答这一关键问题：仅通过检查一条EM侧信道轨迹，我们能在多大程度上提取架构信息？我们首次提出了一种针对运行在高性能32位微控制器（Cortex-M7）上的传统MLP与CNN模型的提取方法，其仅依赖简单的模式识别分析。尽管存在少数具有挑战性的情况，我们断言，与参数提取相反，该攻击的复杂度相对较低，并强调迫切需要对这类平台严格的内存与延迟要求可行的保护的迫切需求。
引用
@article{arxiv.2311.01344,
title = {Like an Open Book? Read Neural Network Architecture with Simple Power Analysis on 32-bit Microcontrollers},
author = {Raphael Joud and Pierre-Alain Moellic and Simon Pontie and Jean-Baptiste Rigaud},
journal= {arXiv preprint arXiv:2311.01344},
year = {2024}
}
备注
Accepted CARDIS 2023; ANR PICTURE PROJECT (ANR-20-CE39-0013)