이 연구는 기존 멤버십 추론 공격(MIA)이 예측 확률이나 레이블 같은 모델 출력에 의존해 출력이 제한되거나 비공개인 온디바이스 ML 시스템에는 적용이 어렵다는 점에서, 모델 출력 없이 전력 트레이스만으로 멤버십을 추론하는 전력 부채널 공격 PSCMIA를 제시한다. 모델 출력을 숨겨도 이를 산출하는 데이터 종속 연산 자체는 물리적 부채널을 통해 여전히 관측 가능하다는 발상에 기반한다. MNIST, FMNIST, CIFAR10, CINIC10 데이터셋과 완전연결·합성곱 신경망, STM32F3·XMEGA 두 임베디드 플랫폼에서 평가한 결과 완전연결 모델에서는 ROC-AUC 0.907까지 달성했고, 합성곱 모델에서는 확률 벡터 기반 shadow MIA와의 ROC-AUC 격차가 0.006~0.116에 불과했다. 전체 16개 모델-데이터셋-하드웨어 조합 중 11개에서 레이블 전용 MIA를 능가해, 모델 출력이 차단돼도 의도치 않은 전력 부채널 유출로 멤버십 정보가 노출될 수 있음을 보였다.

• •모델 춨릷 없이 전류 트롐어스로 뿄뾴십 추뇨을 수행하는 전류 부채넃 공개 PSCMIA 제시
• •완전연결 모델에서 ROC-AUC 최따 0.907 달성
• •합성곡 모델에서 shadow MIA와 ROC-AUC 기차 0.006~0.116에 맘물
• •16개 조합 중 11개에서 럈이블 전용 MIA뿡다 우수한 성능