硬件木马攻击基于现场可编程门数组的卷积神经网络加速器的可重配置互连,以及基于物理不可克隆的功能反制措施检测技术
相关实验视频
Updated: Jul 4, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
Jia Hou1, Zichu Liu1, Zepeng Yang1
1School of Microelectronics, Xi'an Jiaotong University, Xi'an 710049, China.
Micromachines
|January 26, 2024
概括
一个新的硬件木马通过破坏数据路径来攻击可重新配置的CNN加速器. 物理无法克隆的函数 (PUF) 用于检测这些恶意攻击,确保AI系统的安全.
科学领域:
- 人工智能的人工智能
- 计算机工程 计算机工程
- 网络安全 网络安全
背景情况:
- 卷积神经网络 (CNN) 对人工智能至关重要,可重新配置的加速器可以提高它们的性能.
- 由于潜在的硬件木马攻击,这些加速器的安全性越来越令人担忧.
- 可重新配置的互连网络是脆弱于此类威胁的重要组成部分.
研究的目的:
- 提出一个硬件木马,针对基于FPGA的CNN加速器的可重新配置的互连网络.
- 引入使用物理非克隆函数 (PUF) 的新型检测方法来应对这些攻击.
- 评估拟议的检测技术的有效性.
主要方法:
- 一个硬件木马被设计用于改变可重新配置的互连网络中的数据路径,导致错误的计算.
- 为了检测,实施了物理不可克隆的函数 (PUF),特别是仲裁员-PUF.
- 在Xilinx Zynq XC7Z100平台上进行了实验,使用流行的CNN架构 (LeNet,AlexNet,VGG).
主要成果:
- 硬件木马显著降低了测试CNN的推断准确度 (8.93%至86.20%).
- 基于PUF的检测成功识别了硬件木马的存在和位置.
- 拟议的解决方案产生了最小的硬件开销 (0.27%).
结论:
- 可重新配置的CNN加速器容易受到针对互连网络的硬件木马攻击.
- 基于PUF的检测为保护这些关键AI组件提供了有效和高效的解决方案.
- 解决硬件安全问题对于可靠部署人工智能系统至关重要.
