論文の概要: Scalable and Configurable Tracking for Any Rowhammer Threshold

• arxiv url: http://arxiv.org/abs/2308.14889v2
• Date: Mon, 6 Nov 2023 22:46:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 07:22:30.491105
• Title: Scalable and Configurable Tracking for Any Rowhammer Threshold
• Title（参考訳）: 任意のRowhammer閾値に対するスケーラブルで構成可能なトラッキング
• Authors: Anish Saxena, Moinuddin Qureshi,
• Abstract要約: Rowhammer Threshold (TRH) は過去10年間で139Kから4.8Kに減少している。 攻撃可能な攻撃者の数は閾値の低下とともに増加し、そのような行を記憶効率のよい方法で確実に追跡することが困難になる。 DSAC-TRRのような最近の業界からのインDRAMトラッカーは、ストレージオーバーヘッドを減らすために保証された保護を犠牲にして、近似的な追跡を行う。 我々は、Any Rowhammer ThresholdのためのスケーラブルなトラッカーSTARTを提案する。
• 参考スコア（独自算出の注目度）: 0.8057006406834466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Rowhammer vulnerability continues to get worse, with the Rowhammer Threshold (TRH) reducing from 139K activations to 4.8K activations over the last decade. Typical Rowhammer mitigations rely on tracking aggressor rows. The number of possible aggressors increases with lowering thresholds, making it difficult to reliably track such rows in a storage-efficient manner. At lower thresholds, academic trackers such as Graphene require prohibitive SRAM overheads (hundreds of KBs to MB). Recent in-DRAM trackers from industry, such as DSAC-TRR, perform approximate tracking, sacrificing guaranteed protection for reduced storage overheads, leaving DRAM vulnerable to Rowhammer attacks. Ideally, we seek a scalable tracker that tracks securely and precisely, and incurs negligible dedicated SRAM and performance overheads, while still being able to track arbitrarily low thresholds. To that end, we propose START - a Scalable Tracker for Any Rowhammer Threshold. Rather than relying on dedicated SRAM structures, START dynamically repurposes a small fraction the Last-Level Cache (LLC) to store tracking metadata. START is based on the observation that while the memory contains millions of rows, typical workloads touch only a small subset of rows within a refresh period of 64ms, so allocating tracking entries on demand significantly reduces storage. If the application does not access many rows in memory, START does not reserve any LLC capacity. Otherwise, START dynamically uses 1-way, 2-way, or 8-way of the cache set based on demand. START consumes, on average, 9.4% of the LLC capacity to store metadata, which is 5x lower compared to dedicating a counter in LLC for each row in memory. We also propose START-M, a memory-mapped START for large-memory systems. Our designs require only 4KB SRAM for newly added structures and perform within 1% of idealized tracking even at TRH of less than 100.
• Abstract（参考訳）: Rowhammer Threshold (TRH) は過去10年間で139Kから4.8Kに減少している。 ローハンマーの典型的な緩和は攻撃行を追跡することに依存している。 可能な攻撃者の数はしきい値の低下とともに増加するため、そのような行をストレージ効率のよい方法で確実に追跡することは困難である。 低閾値では、Grapheneのような学術トラッカーは禁止的なSRAMオーバーヘッド(数十KBからMB)を必要とする。 DSAC-TRRのような業界からの最近のDRAMトラッカーは、ほぼ追従し、ストレージオーバーヘッドを減らすために保証された保護を犠牲にし、DRAMはローハンマー攻撃に弱いままである。 理想的には、我々は、安全かつ正確に追跡するスケーラブルなトラッカーを求め、任意に低いしきい値を追跡することができる一方で、無視可能な専用SRAMとパフォーマンスオーバーヘッドを発生させます。 そこで我々は,Any Rowhammer Threshold用のスケーラブルなトラッカーSTARTを提案する。 専用のSRAM構造に頼るのではなく、STARTは追跡メタデータを保存するためにLLC(Last-Level Cache)を動的に再利用する。 STARTは、メモリに数百万行が含まれているのに対して、典型的なワークロードは64msのリフレッシュ期間内に行の小さなサブセットにしか触れないため、オンデマンドでのトラッキングエントリの割り当てはストレージを大幅に削減する、という観察に基づいている。 アプリケーションがメモリ内の多くの行にアクセスしない場合、STARTはLLCのキャパシティを予約しない。 そうでなければ、STARTは要求に応じて設定されたキャッシュの1-way、2-way、または8-wayを動的に使用する。 STARTはメタデータを保存するためにLLCの容量の9.4%を消費しており、これはメモリの各行に対してLLCにカウンタを割り当てるよりも5倍低い。 また,大規模メモリシステムのためのメモリマップSTARTであるSTART-Mを提案する。 我々の設計では、新たに追加された構造に対してわずか4KBのSRAMしか必要とせず、100未満のTRHでも、理想化されたトラッキングの1%以内に動作します。

関連論文リスト

• Expanding Sparse Tuning for Low Memory Usage [103.43560327427647]
  メモリ使用量が少ないスパースチューニングのためのSNELL(Sparse tuning with kerNelized LoRA)法を提案する。 低メモリ使用量を達成するため、SNELLはスカラー化のための調整可能な行列を2つの学習可能な低ランク行列に分解する。 コンペティションに基づくスペーシフィケーション機構は、チューナブルウェイトインデックスの保存を避けるためにさらに提案される。
  論文  参考訳（メタデータ） (2024-11-04T04:58:20Z)
• MINT: Securely Mitigating Rowhammer with a Minimalist In-DRAM Tracker [0.9939073004351231]
  本稿では,Rowhammer(RH)を緩和するセキュアな低コストインDRAMトラッカーについて検討する。 既存の低コストのDRAMトラッカーは、銀行当たり数百から数千のエントリの非現実的なオーバーヘッドを必要とする。 単一エントリでセキュアな緩和を実現するミニマリストIn-DRAMトラッカー(MINT)を提案する。
  論文  参考訳（メタデータ） (2024-07-22T20:29:56Z)
• ImPress: Securing DRAM Against Data-Disturbance Errors via Implicit Row-Press Mitigation [1.3921736520874155]
  DRAM細胞はDDE(Data-Disturbance Errors)に感受性がある Rowhammerは、行が繰り返しアクティベートされたときに発生するよく知られたDDE脆弱性である。 Row-Press(RP)は、行を長時間開いているときに発生する新しいDDE脆弱性である。
  論文  参考訳（メタデータ） (2024-07-22T19:20:14Z)
• MOAT: Securely Mitigating Rowhammer with Per-Row Activation Counters [0.3580891736370874]
  DDR5仕様は、各行にインライン化されたカウンタを持つper-Row Activation Counting (PRAC) と、DRAMが緩和するのにより多くの時間を必要とする場合、メモリコントローラを止めるALERT-Back-Off (ABO) をサポートするように拡張されている。 PRAC+ABOはRowhammer保護の強力な進歩を示しているが、それらは単なるフレームワークであり、実際のセキュリティは実装に依存している。 ETH(Eligibility Threshold)とALERT Threshold(ALERT Threshold)の2つの内部しきい値を用いて、確実に安全な設計であるMOATを提案する。
  論文  参考訳（メタデータ） (2024-07-13T20:28:02Z)
• Probabilistic Tracker Management Policies for Low-Cost and Scalable Rowhammer Mitigation [5.597216094757414]
  近年、TRRのようなソリューションがDDR4 DRAMにデプロイされ、攻撃行を追跡し、隣の行をリフレッシュすることで緩和作用が発行されている。 このようなDRAM内のソリューションはリソース制約(攻撃行を追跡するために数十のカウンタしかプロビジョニングできない)であり、それらを騙すのに使われた攻撃をスラッシングする傾向がある。 本研究は,資源制約トラッカーを用いた安全でスケーラブルなローハマー緩和を実証する。
  論文  参考訳（メタデータ） (2024-04-24T23:57:58Z)
• AiSAQ: All-in-Storage ANNS with Product Quantization for DRAM-free Information Retrieval [1.099532646524593]
  DiskANNは、RAMとストレージの両方を使用して、大規模データセットのリコール速度バランスを良好に実現している。 製品量子化(PQ)による圧縮ベクターのロードによるメモリ使用量の削減を主張する一方で、そのメモリ使用量はデータセットの規模に比例して増加する。 本稿では、圧縮されたベクトルをストレージにオフロードするAiSAQ(All-in-Storage ANNS with Product Quantization)を提案する。
  論文  参考訳（メタデータ） (2024-04-09T04:20:27Z)
• GaLore: Memory-Efficient LLM Training by Gradient Low-Rank Projection [133.45193150403537]
  LLM(Large Language Models)のトレーニングは、重み付けやGPU状態の増大によって、メモリ上の重大な問題が発生する。 本研究では,メモリ効率のトレーニング戦略としてグラディエント・ローランド・プロジェクション(GaLore)を提案する。 私たちの8ビットのGaLoreは、BF16ベースラインと比較して、メモリを82.5%、トレーニング総メモリを63.3%削減します。
  論文  参考訳（メタデータ） (2024-03-06T07:29:57Z)
• A TinyML Platform for On-Device Continual Learning with Quantized Latent Replays [66.62377866022221]
  Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。 10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。 これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-20T11:01:23Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)
• Hashing-based Non-Maximum Suppression for Crowded Object Detection [63.761451382081844]
  オブジェクト検出のための非最大ボックスを効率的に抑制するアルゴリズム,HNMS(Hash-based non-maximumpression)を提案する。 2段階検出器では、領域提案ネットワークにおけるNMSをHNMSに置き換え、相当の精度でかなりのスピードアップを観測する。 CARPK、SKU-110K、CrowdHumanデータセットを用いて実験を行い、HNMSの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-05-22T23:45:59Z)
• DMV: Visual Object Tracking via Part-level Dense Memory and Voting-based Retrieval [61.366644088881735]
  DMVと呼ばれる部分レベル高密度メモリと投票ベースの検索による新しいメモリベースのトラッカーを提案する。 また,メモリの信頼できない情報をフィルタリングする新たな投票機構を提案する。
  論文  参考訳（メタデータ） (2020-03-20T10:05:30Z)

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。