基于忆阻器的机器学习加速器用于射频分析的安全问题综述
密码学与安全
2023-12-05 v1 系统与控制
系统与控制
摘要
我们探索了一种新计算范式的安全方面，该范式结合了新型忆阻器和传统互补金属氧化物半导体（CMOS），构建了一种特别适用于射频（RF）信号的机器学习（ML）推理处理器的高效模拟和/或数字结构。忆阻器具有与传统CMOS不同的特性，可能被攻击者利用。此外，混合信号近似计算模型具有与传统数字实现不同的漏洞。然而，忆阻器和ML计算都可以被利用来创建安全机制和对策，范围从轻量级密码学、标识符（例如物理不可克隆函数（PUF）、指纹和水印）、熵源、硬件混淆和泄漏/攻击检测方法。提出了三种不同的威胁模型：1）供应链，2）物理攻击，3）远程攻击。针对每种威胁模型，识别了潜在的漏洞和防御措施。本调查回顾了硬件和ML安全文献中的各种近期工作，并提出了攻击和防御方面的开放问题。该调查强调了RF信号分析和识别在商业空间以及军事应用和威胁模型方面的增长领域。我们与其他近期针对一般ML而忽略RF应用的调查不同。
引用
@article{arxiv.2312.00942,
title = {Survey of Security Issues in Memristor-based Machine Learning Accelerators for RF Analysis},
author = {William Lillis and Max Cohen Hoffing and Wayne Burleson},
journal= {arXiv preprint arXiv:2312.00942},
year = {2023}
}
备注
20 pages, 6 figures