地狱邻居：多租户 FPGA 上针对深度学习加速器的电压攻击
密码学与安全
2022-07-11 v2 硬件体系结构
机器学习
摘要
现场可编程门阵列（FPGA）因其灵活性与能效，正成为众多数据中心应用广泛使用的加速器。在这些应用中，FPGA 在加速低延迟实时深度学习（DL）推理方面展现出良好前景，而后者正成为许多终端用户应用不可或缺的组成部分。随着虚拟化云 FPGA 可由多用户共享这一新兴研究方向的发展，基于 FPGA 的 DL 加速器的安全性需要仔细考量。本文中，我们评估了多租户 FPGA 场景下 DL 加速器抵御基于电压的完整性攻击的安全性。我们首先在先进的 Stratix 10 板卡上演示此类攻击的可行性，使用位于独立攻击者角色中、在逻辑与物理上均隔离且不会被传统比特流检查器标记为恶意电路的不同攻击者电路。我们表明，激进的时钟门控这一有效节能技术，在现代 FPGA 中也可能成为潜在安全威胁。随后，我们对运行 ImageNet 分类的受害者角色 DL 加速器实施攻击，以评估 DL 模型对由敌手引发的时序故障的固有鲁棒性。我们发现，即使使用最强的攻击者电路，当 DL 加速器在其安全工作频率下运行时，其预测精度也未受影响。此外，我们通过超频 DL 加速器实现了 1.18-1.31 倍的更高推理性能，且不影响其预测精度。
引用
@article{arxiv.2012.07242,
title = {Neighbors From Hell: Voltage Attacks Against Deep Learning Accelerators on Multi-Tenant FPGAs},
author = {Andrew Boutros and Mathew Hall and Nicolas Papernot and Vaughn Betz},
journal= {arXiv preprint arXiv:2012.07242},
year = {2022}
}
备注
Published in the 2020 proceedings of the International Conference of Field-Programmable Technology (ICFPT)