Beyond Feedforward Networks: Cryptanalytic Extraction of RNNs

출처:IACR ePrint (암호학)

AI 인사이트

개발자

1.순방향망(FCN·CNN) 중심이던 암호분석적 모델추출을 순환신경망(RNN)까지 최초로 확장
2.단일·다층 ReLU RNN을 하드라벨·원시출력 두 설정 모두에서 등가 순방향모델로 변환해 파라미터 복원
3.'순환 파라미터 정렬' 기법으로 뉴런 순서·스케일링 불일치를 해소해 순환 가중치의 시간축 재사용을 가능케 함
4.최대 3개 순환층을 가진 5개 RNN 아키텍처에서 종단간 추출 성공, 시퀀스 길이 20→1024까지 확장 검증

왜 중요한가?

시계열·신호처리 등에 널리 쓰이는 RNN이 이제껏 모델추출 공격 분석의 사각지대였는데, 이 연구가 최초로 RNN 전용 추출 기법을 확립해 배포된 RNN 모델의 지식재산·보안 위험을 구체적으로 드러낸다.

본문 미리보기

Recurrent neural networks (RNNs) play an important role in time series modeling, signal processing, and resource constrained applications. Their parameters encode valuable functionality and constitute proprietary intellectual property. Cryptanalytic extraction tests whether black box queries reveal functionally equivalent parameters. Such analysis is important for assessing the security of deployed RNNs. However, prior cryptanalytic attacks mainly target feedforward networks such as fully connec

전체 내용이 궁금하다면?

원문을 직접 읽어보세요

원문 보기