垂直NANDフラッシュメモリを用いたモデル反転耐性物理的複製不可能なニューラルネットワーク | JoVE Visualize

科学分野:

コンピュータサイエンス
電気工学
暗号理論

背景:

機密性の高いアプリケーションにおけるニューラルネットワークの利用増加に伴い、データとモデルの保護強化が必要となっています。
既存のアーキテクチャは、モデル反転およびクローニング攻撃に対して脆弱であり、プライバシーと知的財産を侵害する可能性があります。

研究の目的:

市販の垂直NAND（V-NAND）フラッシュメモリ上に実装された、新しいモデル反転耐性物理的複製不可能なニューラルネットワーク（PUNN）を提示すること。
高い精度を維持しながら、モデルクローニングおよびモデル反転攻撃に対するハードウェアに根差したセキュリティを実証すること。

主な方法:

V-NANDフラッシュメモリのゲート誘起ドレインリーク消去を利用して、ユニークで複製不可能なデバイスレベルのコンダクタンスパターンを作成することにより、PUNNを実装しました。
後方伝播を排除する、V-NANDの共通ソースライン構造と互換性のあるフォワードフォワード（FF）アルゴリズムを使用してトレーニングを行いました。
トレーニング済み重みをチップ間で転送することによるモデルの非複製可能性を評価し、MIT-BIH心電図データセットでプライバシー保護を評価しました。

主要な成果:

V-NAND FF-PUNNは、ハードウェアに根差したモデルクローニング耐性を示し、固有のランダム性により、異なるチップへの重み転送時に推論精度が崩壊しました。
このシステムは、モデル反転攻撃によるデータの再構築を完全に防ぎながら、心電図データの分類において高い精度を達成しました。
PUNNは、フォワードオンリー学習で競争力のある分類精度を維持しました。

結論:

市販のフラッシュメモリ上で直接、スケーラブルで、エネルギー効率が高く、プライバシーを保護するニューラルコンピューティングのフレームワークを確立しました。
V-NAND FF-PUNNは、実世界のアプリケーションにおける機密データとモデルの整合性を保護するための実用的なソリューションを提供します。
このアプローチは、本質的な非複製可能性と洗練されたサイバー脅威に対する堅牢な防御を提供します。