海绵样本：针对神经网络的能量-延迟攻击

神经网络训练与推理的高能耗促使人们使用 GPU 和 TPU 等加速硬件。虽然这使我们能够在数据中心训练大规模神经网络并将其部署在边缘设备上，但目前的关注点在于平均情形性能。在这项工作中，我们引入了一种针对能耗或决策延迟至关重要的神经网络的新型威胁向量。我们展示了对手如何利用精心构造的 $\boldsymbol{sponge}~\boldsymbol{examples}$（海绵样本），即旨在最大化能耗和延迟的输入。我们在成熟的视觉和语言模型上发起了该攻击的两种变体，将能耗提高了 10 到 200 倍。我们的攻击还可用于延迟具有关键实时性能的网络决策，例如自动驾驶车辆的感知。我们展示了恶意输入在 CPU 以及包括 GPU 和 ASIC 模拟器在内的多种硬件加速器芯片之间的可移植性。最后，我们提出了一种防御策略，通过将硬件中能耗分析从平均情形视角转向最坏情形视角来缓解我们的攻击。