임베디드 기기에 배포된 신경망의 32비트 부동소수점 가중치를 전력 소비 패턴만으로 완전 복원하는 프로파일링 기반 템플릿 공격이 제시됐다. ChipWhisperer-Lite와 Arm Cortex-M4 환경에서 멀티변량 가우시안 템플릿과 거친 단계에서 정밀 단계로 좁혀가는 탐색 기법을 결합해, 171개 전력 트레이스만으로 99%, 263개부터는 100%의 비트 단위 정확도로 가중치를 복원했다. 기존 공격은 저정밀도 가중치만 노린 반면 이번 연구는 IEEE-754 전체 구조를 공략했다는 점에서 차별화된다. 엣지 AI 칩에 대한 물리적 역공학 위협이 실질적 수준임을 보여준다.
- •ChipWhisperer-Lite·Arm Cortex-M4 환경에서 전력 측정만으로 float32 가중치를 비트 단위로 복원
- •171개 트레이스에서 99%, 263개부터 100% 복원 성공률 달성
- •거친 탐색에서 정밀 탐색으로 단계적으로 좁혀가는 계층적 후보 탐색 기법 사용
- •기존 공격이 저정밀도 가중치에 머물렀던 것과 달리 IEEE-754 전체 32비트 구조를 공략
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Guess My Weight: Profiled Side-Channel Recovery of Floating-Point Neural-Network Weights
- 1.임베디드 신경망의 32비트 부동소수점 가중치를 전력 측정만으로 비트 단위까지 복원하는 프로파일드 템플릿 공격 제시
- 2.알려진 입력과 1층 가중치 간 곱셈 연산을 표적으로, 구조화된 32비트 후보공간을 계층적 탐색으로 좁힘
- 3.ChipWhisperer-Lite·Arm Cortex-M4 환경에서 171개 트레이스로 99% 비트정확 복원, 263개부터 100%
- 4.기존 연구가 정밀도를 낮춘 가중치만 노렸던 데 비해 완전한 IEEE-754 표현 전체 복원에 성공
왜 중요한가?
엣지 디바이스에 배포된 신경망 가중치는 지식재산이자 공격 표면인데, 단순 전력 측정만으로 전체 가중치를 비트 단위까지 뽑아낼 수 있음을 보여 온디바이스 AI 모델의 물리적 보안 취약점을 구체적으로 드러낸다.
임베디드 장치에 배포된 신경망 모델의 가중치가 물리적 사이드 채널 공격을 통해 노출될 수 있음을 밝힌 연구입니다. 한국 기업들이 AI 기반의 엣지 컴퓨팅 및 IoT 기기 개발에 박차를 가하고 있는 만큼, 이러한 근본적인 보안 취약점을 이해하고 모델 배포 단계에서부터 강력한 데이터 보호 및 시스템 무결성 확보 방안을 마련하는 것이 중요합니다.
본문 미리보기
arXiv:2610.04436v1 Announce Type: new Abstract: Neural-network parameters deployed on embedded devices may be exposed through physical side-channel leakage during inference. Existing side-channel attacks on floating-point neural-network parameters have often targeted reduced numerical precision, while recovering the complete IEEE-754 representation remains considerably more challenging because of the large and structured 32-bit candidate space. We present a profiled template attack for bit-exac
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
