MACPruning：动态操作剪枝以缓解侧信道深度神经网络模型提取

随着深度学习的流行，边缘物联网设备上部署的预训练深度神经网络（DNN）模型数量不断增加。这些DNN模型代表了宝贵的知识产权，面临来自侧信道分析（SCA）的显著保密威胁，尤其是非侵入式微分电磁分析（DEMA），该方法可从模型推理期间收集的电磁痕迹中检索出单个模型参数。传统的SCA缓解方法，如掩码和随机化，仍可应用于DNN推理，但由于操作量和参数量的大规模， will 造成显著的性能下降。基于DNN模型具有高冗余性且对输入变化具有鲁棒性的洞见，我们引入MACPruning，这是一种针对DEMA基于参数提取攻击的新型轻量级防御，利用DNN执行的特定特征。MACPruning的设计原则是随机失活输入像素，并对这些像素进行操作剪枝（通常为乘加-accumulate-MAC）。该技术会消除某些泄漏，并在时间上重新分布与权重相关的电磁泄漏，从而有效缓解DEMA。为维持DNN性能，我们提出一种重要性感知像素图，保留关键输入像素，保持防御的随机性，同时最小化因操作剪枝导致的DNN性能下降。我们对MACPruning在各种面向边缘设备的DNN数据集进行全面安全分析。我们的评估表明，MACPruning在保持模型准确率、计算开销可忽略不计的同时，有效减少了电磁泄漏。