Fugu-MT 論文翻訳(概要): FP-Rowhammer: DRAM-Based Device Fingerprinting

論文の概要: FP-Rowhammer: DRAM-Based Device Fingerprinting

arxiv url: http://arxiv.org/abs/2307.00143v2
Date: Tue, 22 Oct 2024 01:39:34 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-23 14:23:59.472216
Title: FP-Rowhammer: DRAM-Based Device Fingerprinting
Title（参考訳）: FP-Rowhammer:DRAMベースのデバイスフィンガープリント
Authors: Hari Venugopalan, Kaustav Goswami, Zainul Abi Din, Jason Lowe-Power, Samuel T. King, Zubair Shafiq,
Abstract要約: FP-Rowhammerは,正規化ないし難読化されたハードウェアやソフトウェア構成のデバイスであっても,ユニークで安定した指紋を構築できる,デバイスフィンガープリントのアプローチである。 98個のDRAMモジュールの試験層を用いた評価の結果,FP-Rowhammerの指紋認証精度は99.91%であった。 FP-ローハンマーの指紋も安定しており、指紋認証の精度は10日間にわたって低下しない。
参考スコア（独自算出の注目度）: 12.02778762033252
License:
Abstract: Device fingerprinting leverages attributes that capture heterogeneity in hardware and software configurations to extract unique and stable fingerprints. Fingerprinting countermeasures attempt to either present a uniform fingerprint across different devices through normalization or present different fingerprints for the same device each time through obfuscation. We present FP-Rowhammer, a Rowhammer-based device fingerprinting approach that can build unique and stable fingerprints even across devices with normalized or obfuscated hardware and software configurations. To this end, FP-Rowhammer leverages the DRAM manufacturing process variation that gives rise to unique distributions of Rowhammer-induced bit flips across different DRAM modules. Our evaluation on a test bed of 98 DRAM modules shows that FP-Rowhammer achieves 99.91% fingerprinting accuracy. FP-Rowhammer's fingerprints are also stable, with no degradation in fingerprinting accuracy over a period of ten days. We also demonstrate that FP-Rowhammer is efficient, taking less than five seconds to extract a fingerprint. FP-Rowhammer is the first Rowhammer fingerprinting approach that is able to extract unique and stable fingerprints efficiently and at scale.
Abstract（参考訳）: デバイスフィンガープリントは、ハードウェアおよびソフトウェア構成の不均一性をキャプチャする属性を活用して、ユニークで安定した指紋を抽出する。フィンガープリント対策は、正規化によって異なるデバイスに均一な指紋を提示するか、難読化によって同じデバイスに対して異なる指紋を提示するかのどちらかを試みる。 FP-Rowhammerは、Rowhammerベースのデバイスフィンガープリントアプローチで、正規化または難解なハードウェアとソフトウェア構成を持つデバイスであっても、ユニークで安定したフィンガープリントを構築することができる。この目的のために、FP-RowhammerはDRAM製造プロセスのバリエーションを活用し、異なるDRAMモジュール間でRowhammerによって引き起こされるビットフリップのユニークな分布を引き起こす。 98個のDRAMモジュールの試験層を用いた評価の結果,FP-Rowhammerの指紋認証精度は99.91%であった。 FP-ローハンマーの指紋も安定しており、指紋認証の精度は10日間にわたって低下しない。また、FP-Rowhammerは効率が良く、指紋を抽出するのに5秒もかからないことを示した。 FP-Rowhammerは、Rowhammerの最初の指紋認証手法であり、一意で安定した指紋を効率的にかつ大規模に抽出することができる。

関連論文リスト

Fixed-length Dense Descriptor for Efficient Fingerprint Matching [33.808749518785]
指紋照合のためのFDD(Fixed-length Dense Descriptor)と呼ばれる3次元表現を提案する。 FDDは優れた空間特性を備えており、元の指紋の空間的関係を捉えることができる。各種指紋データを用いた実験により,FDDが他の固定長ディスクリプタよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-11-30T14:15:39Z)
Deep Learning-Based Approaches for Contactless Fingerprints Segmentation and Extraction [1.2441902898414798]
我々は,非接触指紋の局所化とセグメンテーションのためのディープラーニングベースのセグメンテーションツールを開発した。評価では,30ピクセルの平均絶対誤差(MAE),5.92度の角度予測誤差(EAP),97.46%のラベル付け精度を示した。
論文参考訳（メタデータ） (2023-11-26T01:56:10Z)
Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
ソーシャルメディアからの指紋漏洩は画像を匿名化したいという強い欲求を喚起します指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
論文参考訳（メタデータ） (2022-08-23T02:20:46Z)
A review of schemes for fingerprint image quality computation [66.32254395574994]
本稿では,指紋画像品質計算における既存手法について概説する。また、9000個の指紋画像を含むMCYTデータベースを用いて、それらの選択を実装し、テストし、比較する。
論文参考訳（メタデータ） (2022-07-12T10:34:03Z)
On the vulnerability of fingerprint verification systems to fake fingerprint attacks [57.36125468024803]
中規模の偽指紋データベースを記述し、2つの異なる指紋認証システムを評価する。光およびサーマルスイーピングセンサの結果が提供される。
論文参考訳（メタデータ） (2022-07-11T12:22:52Z)
FingerGAN: A Constrained Fingerprint Generation Scheme for Latent Fingerprint Enhancement [23.67808389519383]
拘束指紋生成問題として潜伏指紋強調法を定式化する手法を提案する。 2つの公開潜伏指紋データベースによる実験結果から,本手法が芸術の状態を著しく上回ることが示された。
論文参考訳（メタデータ） (2022-06-26T14:05:21Z)
Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文参考訳（メタデータ） (2022-03-14T17:05:59Z)
Synthesis and Reconstruction of Fingerprints using Generative Adversarial Networks [6.700873164609009]
本稿では,StyleGan2アーキテクチャに基づく新しい指紋合成・再構成フレームワークを提案する。また,生成した指紋の属性を同一性を保ちながら修正する計算手法も提案する。提案手法は, 指紋合成と復元の両面において, 現代的手法よりも優れていることを示した。
論文参考訳（メタデータ） (2022-01-17T00:18:00Z)
PrintsGAN: Synthetic Fingerprint Generator [39.804969475699345]
PrintsGANは、特定の指紋に対する複数の印象とともに、ユニークな指紋を生成することができる合成指紋生成装置である。本研究では,指紋から一定の長さの埋め込みを抽出するために,深層ネットワークをトレーニングしたPrintsGANの有用性を示す。
論文参考訳（メタデータ） (2022-01-10T22:25:10Z)
ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
ProxyFAUGはルールベースで近接性に基づく指紋増強法である。このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
論文参考訳（メタデータ） (2021-02-04T15:59:30Z)
Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
論文参考訳（メタデータ） (2020-05-12T15:51:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。