忆阻器计算系统安全技术综述
密码学与安全
2022-12-20 v1 新兴技术
摘要
神经网络 (NN) 算法已成为视觉对象识别、自然语言处理和机器人领域的主导工具。为了提高这些算法的计算效率，相较于传统的冯·诺依曼计算架构，研究人员一直专注于忆阻器计算系统。当前使用忆阻器计算系统的一个主要缺点是，在人工智能 (AI) 时代，训练有素的 NN 模型是知识产权，当加载到忆阻器计算系统中时，尤其是在边缘设备上运行时，会面临盗窃威胁。攻击者可能通过学习攻击和侧信道分析等高级攻击手段窃取训练有素的 NN 模型。在本文中，我们综述了用于保护忆阻器计算系统的不同安全技术。基于对攻击者能力的假设，我们描述了两种威胁模型：黑盒 (BB) 模型和白盒 (WB) 模型。我们在这些威胁模型的背景下，将现有的安全技术分为五类：阻止学习攻击 (BB)、阻止侧信道攻击 (BB)、NN 模型加密 (WB)、NN 权重变换 (WB) 和指纹嵌入 (WB)。我们还对这些安全技术的局限性进行了交叉比较。本文可作为设计安全忆阻器计算系统时的参考。
引用
@article{arxiv.2212.09347,
title = {Review of security techniques for memristor computing systems},
author = {Minhui Zou and Nan Du and Shahar Kvatinsky},
journal= {arXiv preprint arXiv:2212.09347},
year = {2022}
}
备注
15 pages, 5 figures