基于对性格学习客户端的对抗观察的远程 Rowhammer 攻击
机器学习
2026-04-22 v2 人工智能
密码学与安全
摘要
ederated Learning (FL) 具有在大量平行代理机构之间进行全局同步学习的潜力，使其能够跨越人口统计上具有代表性的数据，训练新兴的人工智能，如大语言模型。其高效性核心在于能够在中心服务器上执行稀疏梯度更新和远程直接内存访问。目前 FL 安全研究大多聚焦于保护边缘客户端或客户端与服务器之间通信信道的数据隐私。针对服务器的客户端导向攻击研究较少，因而假设由大量客户端组成的系统具有韧性。本文表明，通过攻击导致服务器上高频率重复内存更新的特定客户端，我们可以远程发起对服务器内存的 Rowhammer 攻击。首次实现无需后门访问服务器的情况下，强化学习(RL) 攻击者能够通过操控客户端传感器观察来最大化服务器重复内存更新。远程 Rowhammer 攻击的结果是我们能够实现位翻转，从而损坏服务器内存。我们使用大型 FL 自动语音识别(ASR)系统进行可行性演示，具有稀疏更新的对抗性攻击代理在目标服务器模型上实现约 70% 的重复更新率(RUR)，有效地在服务器 DRAM 上诱导位翻转。其安全影响可能导致学习中断，或无意中引发提升的特权。本 work 为在 FL 和硬件设计中进一步研究实际缓解策略开辟了道路。
引用
@article{arxiv.2505.06335,
title = {Remote Rowhammer Attack using Adversarial Observations on Federated Learning Clients},
author = {Jinsheng Yuan and Yuhang Hao and Weisi Guo and Yun Wu and Chongyan Gu},
journal= {arXiv preprint arXiv:2505.06335},
year = {2026}
}
备注
Under review for IEEE Transactions on Dependable and Secure Computing