重拾洗牌：面向保护神经网络的抗侧信道 Fisher-Yates 算法
密码学与安全
2025-04-24 v2 人工智能
摘要
嵌入式设备上实现的神经网络模型已被证明易受侧信道攻击（SCA），这允许恢复专有模型参数，如权重和偏置。目前已有可针对嵌入式神经网络模型进行定制的抗侧信道攻击方法。洗牌是一种基于隐藏的防御措施，通过随机重新排序计算来隐藏数据，已被证明在使用 Fisher-Yates 算法时容易受到 SCA。本文提出了一种抗 SCA 的 Fisher-Yates 算法设计。通过集成用于模块化约简的遮蔽技术和 Blakely 方法进行模块化乘法，我们有效地消除了导致原始算法版本中出现侧信道泄漏的除法运算中的漏洞。我们通过在 ARM Cortex-M4 上实现一个关联功率分析攻击来实验评估了该防御措施对 SCA 的有效性。相对于原始方案，内存开销为网络最大层的 ，而时间开销在具有 100 和 1000 个神经元的图层之间分别为 到 。
引用
@article{arxiv.2501.00798,
title = {Make Shuffling Great Again: A Side-Channel Resistant Fisher-Yates Algorithm for Protecting Neural Networks},
author = {Leonard Puškáč and Marek Benovič and Jakub Breier and Xiaolu Hou},
journal= {arXiv preprint arXiv:2501.00798},
year = {2025}
}