使用垂直NAND闪存的物理非克隆性神经网络
Sung-Ho Park1, Ryun-Han Koo1, Jonghyun Ko1
1Department of Electrical and Computer Engineering and Inter-university Semiconductor Research Center, Seoul National University, Seoul, Republic of Korea.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|February 27, 2026
概括
我们在闪存上开发了一个安全的神经网络,使其能够抵抗克隆和数据盗窃. 这种物理不可克隆的神经网络 (PUNN) 保护隐私关键应用中的敏感信息.
科学领域:
- 计算机科学 计算机科学
- 电气工程 电气工程
- 密码学 密码学 密码学 密码学
背景情况:
- 神经网络在敏感应用中越来越多地被使用,这需要加强数据和模型的保护.
- 现有的架构容易受到模型倒置和克隆攻击,危及隐私和知识产权.
研究的目的:
- 介绍一种在商业垂直NAND (V-NAND) 闪存上实现的新型反转电阻物理非克隆神经网络 (PUNN).
- 为了证明硬件根基的安全性,防止模型克隆和模型倒置攻击,同时保持高精度.
主要方法:
- 在V-NAND闪存中使用弱门诱导的排水泄漏清除实现了PUNN,以创建独特的,不可重复的设备级导电性模式.
- 使用前向前向 (FF) 算法进行训练,与V-NAND的共同源线结构兼容,消除了向后传播.
- 通过将训练重量转移到芯片之间来评估模型非克隆性,并在MIT-BIH心电图数据集上评估隐私保护.
主要成果:
- 由于固有的随机性,V-NAND FF-PUNN表现出硬件根植的对模型克隆的抗性,推断准确性在重量转移到不同的芯片时崩.
- 该系统在分类心电图数据方面取得了很高的准确性,同时完全阻止了通过模型反转攻击来重建数据.
- 在只向前学习的情况下,PUNN保持了竞争性分类准确性.
结论:
- 建立了一个可扩展的框架,用于直接在商业闪存上安全,节能和保护隐私的神经计算.
- 在现实应用中,V-NAND FF-PUNN为保护敏感数据和模型完整性提供了实用的解决方案.
- 这种方法提供了内在的非克隆性和强大的防御对复杂的网络威胁.
