SafeLight：增强光学卷积神经网络加速器的安全性
密码学与安全
2024-11-27 v1 硬件体系结构
机器学习
摘要
深度学习的快速扩散推动了计算硬件的创新，以提高深层神经网络中计算昂贵的乘法-累加运算的效率。其中一种创新是集成硅光子系统，作为实现光速计算和通信的高效平台，使光学神经网络（ONN）平台成为加速深度学习模型（如卷积神经网络，CNN）的变革性技术。然而，随着光学硬件复杂度的增加，带来了新的漏洞，尤其是硬件后门（HT）攻击的风险。尽管对 ONN 平台的兴趣日益增长，但有关 HT 诱导威胁如何损害性能和安全性的关注仍很少。本文对此类攻击对 CNN 模型由 ONN 加速器性能的影响进行了深入分析。具体而言，我们展示了 HT 如何破坏来自某些非协同 ONN 加速器中微环共振器（MR）的分类准确率，仅针对 10% 的 MR 即可使准确率下降最高 80.46%。随后，我们提出了技术来增强 ONN 加速器对此类攻击的鲁棒性，并表明最佳技术能够有效恢复准确率的下降。
引用
@article{arxiv.2411.16712,
title = {SafeLight: Enhancing Security in Optical Convolutional Neural Network Accelerators},
author = {Salma Afifi and Ishan Thakkar and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2411.16712},
year = {2024}
}