论 NVM 交叉阵列对抗攻击的内在鲁棒性
新兴技术
2021-03-17 v2 机器学习
摘要
深度学习日益增长的计算需求推动了基于新兴非易失性存储器（NVM）技术的专用推理加速器的研究。此类 NVM 交叉阵列有望实现快速且高能效的原位矩阵向量乘法（MVM），从而缓解当今数字硬件中长期的冯·诺依曼瓶颈。然而，这些交叉阵列中计算的模拟本质固有地具有近似性，并导致偏离理想输出值，这在正常情况下降低了深度神经网络（DNNs）的整体性能。本文中，我们研究这些非理想性在对抗情形下的影响。我们表明，模拟计算的非理想行为降低了对抗攻击的有效性，无论是在黑盒还是白盒攻击场景下。在非自适应攻击中，攻击者不知晓模拟硬件，我们观察到模拟计算提供了不同程度的内在鲁棒性，对于 CIFAR-10、CIFAR-100 和 ImageNet，白盒 PGD（epsilon=1/255，iter=30）的对抗准确率峰值分别提升 35.34%、22.69% 和 9.90%。我们也展示了利用 NVM 模型知识规避该鲁棒性的“硬件在环”自适应攻击。
引用
@article{arxiv.2008.12016,
title = {On the Intrinsic Robustness of NVM Crossbars Against Adversarial Attacks},
author = {Deboleena Roy and Indranil Chakraborty and Timur Ibrayev and Kaushik Roy},
journal= {arXiv preprint arXiv:2008.12016},
year = {2021}
}
备注
to appear in Proceedings of DAC, 2021