时钟故障对深度神经网络的攻击及其对策
Sangwon Lee1, Suhyung Kim1, Seongwoo Hong2
1Department of Information Security, Hoseo University, Asan-Si 31499, Republic of Korea.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
时钟故障故障攻击可以导致边缘设备上的深度神经网络 (DNN) 高概率地错误分类数据. 这项研究提出了算法对策,以有效防止DNN模型中的此类安全漏洞.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 深度神经网络 (DNN) 越来越多地部署在边缘设备上,用于在资源有限的环境中实时处理.
- 在边缘设备上部署使得DNN易受物理攻击的影响,包括故障注入,这可能会损害它们的完整性.
- 时钟故障故障攻击是一种特定的威胁,可以操纵嵌入式系统上的DNN模型的执行.
研究的目的:
- 调查时钟故障故障攻击在微控制器上执行的DNN模型中诱导错误分类的有效性.
- 开发和评估对针对Softmax和Sigmoid激活函数的时钟故障攻击的算法对策.
主要方法:
- 在微控制器上实现用于图像分类的DNN模型 (MNIST,CIFAR-10,Kaggle数据集).
- 在DNN模型执行期间应用时钟故障故障攻击,以观察错误分类模式.
- 在Softmax和Sigmoid功能层面开发算法防御,以减轻故障攻击的影响.
主要成果:
- 时钟故障故障攻击被证明会在多类和二进制图像分类任务中导致DNN中严重错误分类的可能性很高.
- 实验结果证实了在微控制器上执行的DNN对这些特定故障注入攻击的脆弱性.
- 拟议的算法对策成功地防止了由时钟故障攻击引起的错误分类事件.
结论:
- 时钟故障故障攻击对在边缘设备上部署的DNN构成重大安全威胁,导致潜在的关键错误分类.
- 针对Softmax和Sigmoid函数的算法级反制措施在防御这些攻击方面是有效的.
- 这些发现强调了嵌入式人工智能系统需要强有力的安全措施,以确保可靠和安全的操作.
