이 논문은 맥스풀링을 사용하는 CNN을 대상으로 한 최초의 암호분석적 파라미터 추출 공격을 제시한다. 기존 ReLU 기반 완전연결신경망(FCNN) 추출 기법은 맥스풀링이 도입하는 추가 비선형성과 ReLU 임계점 은폐로 인해 CNN에는 적용할 수 없었다. 저자들은 CNN이 구간별 선형함수임을 대수적으로 증명하고, ReLU-풀링 임계점(RPCP)과 풀링 전환점(PSP)이라는 두 가지 새로운 임계점 유형을 규명했다. PSP는 훨씬 풍부하고 효율적으로 서명(signature)을 추출할 수 있는 반면 RPCP는 부호와 편향(bias) 복원에 필수적이어서, 패턴매칭 기반 RPCP 기법과 암호학적 내부차분분석에서 영감을 받은 PSP 기법을 결합했다. LeNet-5 변형 등 여러 CNN 구조를 무작위 데이터·MNIST·CIFAR-10으로 학습시켜 평가한 결과, 깊은 CNN 계층에서도 다항 시간의 질의 복잡도로 높은 추출 정확도를 달성했다.

• •맥스풀링 CNN을 대상으로 한 최초의 암호분석적 파라미터 추출 공격 제안
• •CNN이 구간별 선형함수임을 대수적으로 증명해 선형성 기반 추출 원리 확장
• •RPCP(ReLU-풀링 임계점)와 PSP(풀링 전환점) 두 종류의 새로운 임계점 규명
• •PSP로 효율적 서명 추출, RPCP로 부호·편향 복원하는 복합 기법 설계
• •LeNet-5 등에서 다항 시간 복잡도로 높은 추출 정확도 달성