SNIFF：利用故障攻击对神经网络进行逆向工程
密码学与安全
2023-03-01 v2 机器学习
摘要
神经网络已被证明易受故障注入攻击。这些攻击改变计算过程中设备的物理行为，导致当前正在计算的值发生变化。它们可通过多种故障注入技术实现，从时钟/电压毛刺到激光照射乃至 rowhammer。本文探讨利用故障攻击对神经网络进行逆向工程的可能性。SNIFF 意为符号位翻转故障，其通过更改中间值的符号来实现逆向工程。我们开发了首个针对深层特征提取器网络的精确提取方法，可证明地恢复模型参数。使用 Keras 库的实验表明，在采用 64 位浮点数时，被测网络的参数恢复精度误差小于 ，较当前最优水平提升了 6 个数量级。此外，我们讨论了可应用于增强故障抵抗力的故障注入攻击防护技术。
引用
@article{arxiv.2002.11021,
title = {SNIFF: Reverse Engineering of Neural Networks with Fault Attacks},
author = {Jakub Breier and Dirmanto Jap and Xiaolu Hou and Shivam Bhasin and Yang Liu},
journal= {arXiv preprint arXiv:2002.11021},
year = {2023}
}
备注
Published in IEEE Transactions on Reliability