論文の概要: ABACuS: All-Bank Activation Counters for Scalable and Low Overhead RowHammer Mitigation
- arxiv url: http://arxiv.org/abs/2310.09977v2
- Date: Sat, 23 Dec 2023 09:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 02:23:27.322431
- Title: ABACuS: All-Bank Activation Counters for Scalable and Low Overhead RowHammer Mitigation
- Title(参考訳): ABACuS: スケーラブルで低オーバーヘッドなRowHammer緩和のための全銀行のアクティベーションカウンタ
- Authors: Ataberk Olgun, Yahya Can Tugrul, Nisa Bostanci, Ismail Emir Yuksel, Haocong Luo, Steve Rhyner, Abdullah Giray Yaglikci, Geraldo F. Oliveira, Onur Mutlu,
- Abstract要約: 我々は,新しい低コストハードウェアカウンタベースのRowHammer緩和技術であるABACuSを紹介する。
ABACuSは単一の共有行アクティベーションカウンタを使用して、すべてのDRAMバンクで同じ行アドレスで行へのアクティベーションを追跡する。
評価の結果,ABACuSはRowHammerのビットフリップ/エネルギーオーバーヘッドと低面積コストを確実に防止できることがわかった。
- 参考スコア(独自算出の注目度): 6.570851573752742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce ABACuS, a new low-cost hardware-counter-based RowHammer mitigation technique that performance-, energy-, and area-efficiently scales with worsening RowHammer vulnerability. We observe that both benign workloads and RowHammer attacks tend to access DRAM rows with the same row address in multiple DRAM banks at around the same time. Based on this observation, ABACuS's key idea is to use a single shared row activation counter to track activations to the rows with the same row address in all DRAM banks. Unlike state-of-the-art RowHammer mitigation mechanisms that implement a separate row activation counter for each DRAM bank, ABACuS implements fewer counters (e.g., only one) to track an equal number of aggressor rows. Our evaluations show that ABACuS securely prevents RowHammer bitflips at low performance/energy overhead and low area cost. We compare ABACuS to four state-of-the-art mitigation mechanisms. At a near-future RowHammer threshold of 1000, ABACuS incurs only 0.58% (0.77%) performance and 1.66% (2.12%) DRAM energy overheads, averaged across 62 single-core (8-core) workloads, requiring only 9.47 KiB of storage per DRAM rank. At the RowHammer threshold of 1000, the best prior low-area-cost mitigation mechanism incurs 1.80% higher average performance overhead than ABACuS, while ABACuS requires 2.50X smaller chip area to implement. At a future RowHammer threshold of 125, ABACuS performs very similarly to (within 0.38% of the performance of) the best prior performance- and energy-efficient RowHammer mitigation mechanism while requiring 22.72X smaller chip area. ABACuS is freely and openly available at https://github.com/CMU-SAFARI/ABACuS.
- Abstract(参考訳): 我々はABACuSを紹介した。ABACuSは、RowHammerの脆弱性を悪化させ、パフォーマンス、エネルギー、面積効率を向上する、新しい低コストのハードウェアカウンタベースのRowHammer緩和技術である。
良性ワークロードとRowHammer攻撃の両方が、複数のDRAMバンクで同じ行アドレスを持つDRAM行に、ほぼ同時にアクセスする傾向にあることを観察する。
この観測に基づいて、ABACuSのキーとなるアイデアは、単一の共有行アクティベーションカウンタを使用して、すべてのDRAMバンクで同じ行アドレスを持つ行へのアクティベーションを追跡することである。
DRAMバンク毎に個別の行アクティベーションカウンタを実装する、最先端のRowHammer緩和メカニズムとは異なり、ABACuSでは、同じ数の攻撃行を追跡するカウンタ(例えば、たった1つ)が少ない。
評価の結果,ABACuSはローハマービットフリップを低性能/エネルギーオーバーヘッド,低面積コストで確実に防止できることがわかった。
我々はABACuSを4つの最先端緩和機構と比較した。
約1000のRowHammerしきい値では、ABACuSは0.58% (0.77%)のパフォーマンスと1.66% (2.12%)のDRAMエネルギーオーバーヘッドを発生させ、平均62のシングルコア(8コア)のワークロードで、ストレージは9.47KiBしか必要としなかった。
1000のRowHammerしきい値では、ABACuSよりも平均的なパフォーマンスオーバーヘッドが1.80%高く、ABACuSは2.50倍小さいチップ面積を必要とする。
将来のRowHammerしきい値125では、ABACuSは22.72倍の小さなチップ領域を必要としながら、最高の性能とエネルギー効率のRowHammer軽減機構を(性能の0.38%で)実現している。
ABACuSはhttps://github.com/CMU-SAFARI/ABACuSで無料で公開されている。
関連論文リスト
- 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) - Leveraging Adversarial Detection to Enable Scalable and Low Overhead RowHammer Mitigations [5.767293823380473]
我々は、RowHammerソリューションを起動するメモリアクセスのジェネレータを追跡することで、RowHammerソリューションのパフォーマンスオーバーヘッドに取り組む。
BreakHammerは、スレッドのRowHammerの可能性に基づいて、スレッドがメモリシステムに注入できるオンザフライリクエストの数を制限する。
論文 参考訳(メタデータ) (2024-04-20T22:09:38Z) - CoMeT: Count-Min-Sketch-based Row Tracking to Mitigate RowHammer at Low Cost [6.658509339087993]
CoMeTはRowHammerビットフリップを低面積、性能、エネルギーコストで防止する。
CoMeTは低コストでスケーラブルなハッシュベースのカウンタを使用してDRAM行のアクティベーションを追跡する。
CoMeTは、パフォーマンス、エネルギ、および領域オーバーヘッドの間の良いトレードオフを達成する。
論文 参考訳(メタデータ) (2024-02-29T00:21:29Z) - EBFT: Effective and Block-Wise Fine-Tuning for Sparse LLMs [68.41135269685576]
スパースLLMを微調整する既存の方法は、しばしば資源集約的な要求と高い再訓練コストに悩まされる。
再構成誤差の最小化に基づくスパルスLLMの微調整のための効率的かつ高速なフレームワークを提案する。
提案手法では, キャリブレーションのための小さなデータセットをサンプリングし, バックプロパゲーションを利用してブロックワイズ復元誤差を反復的に最適化する。
論文 参考訳(メタデータ) (2024-02-19T09:55:32Z) - HiRE: High Recall Approximate Top-$k$ Estimation for Efficient LLM
Inference [68.59839755875252]
HiREは2つの新しいコンポーネントから構成される: (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (ii) DA-TOP-$k$: 効率的なマルチデバイス近似トップ-k$演算子) (i) (i) (i) (i) (i) (i) (i) DA-TOP-$k$演算子) 。
我々は、10億のパラメータモデルにおいて、HiREがソフトマックスとフィードフォワード層の両方に適用され、ほぼ一致した事前学習と下流の精度を実現し、1台のTPUv5eデバイスで1.47Times$の推論遅延を高速化することを示した。
論文 参考訳(メタデータ) (2024-02-14T18:04:36Z) - Randomized Line-to-Row Mapping for Low-Overhead Rowhammer Mitigations [0.716879432974126]
最近提案された安全なローハンマーの軽減策は、犠牲者よりも攻撃者に対する緩和措置に頼っている。
本稿では,暗号化アドレスを用いてメモリにアクセスすることにより,行間マッピングにおける空間相関を破るRubixを提案する。
また,行間マッピングを動的に変更するRubix-Dを提案する。
論文 参考訳(メタデータ) (2023-08-28T21:22:15Z) - Scalable and Configurable Tracking for Any Rowhammer Threshold [0.8057006406834466]
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。
論文 参考訳(メタデータ) (2023-08-28T20:24:49Z) - Contextual Bandits with Packing and Covering Constraints: A Modular
Lagrangian Approach via Regression [99.27350939441146]
我々は,線形制約付きコンテキスト帯域(CBwLC)を,knapsacks(CBwK)を用いたコンテキスト帯域(CBwLC)の変種として検討する。
この問題はknapsackでコンテキストの帯域幅を一般化し、制約のパッケージ化とカバー、そして正と負のリソース消費を可能にする。
回帰オラクルに基づくCBwLC(CBwK)の最初のアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-11-14T16:08:44Z) - Improved Branch and Bound for Neural Network Verification via Lagrangian
Decomposition [161.09660864941603]
ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。
活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。
BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
論文 参考訳(メタデータ) (2021-04-14T09:22:42Z) - Scaling the Convex Barrier with Sparse Dual Algorithms [141.4085318878354]
本稿では,ニューラルネットワークバウンダリングのための2つの新しい2重アルゴリズムを提案する。
どちらの方法も新しい緩和の強さを回復する: 厳密さと線形分離オラクル。
実行時間のほんの一部で、既製のソルバよりも優れた境界を得ることができます。
論文 参考訳(メタデータ) (2021-01-14T19:45:17Z) - SmartDeal: Re-Modeling Deep Network Weights for Efficient Inference and
Training [82.35376405568975]
ディープニューラルネットワーク(DNN)は重いパラメータ化を伴い、ストレージ用の外部動的ランダムアクセスメモリ(DRAM)につながります。
We present SmartDeal (SD), a algorithm framework to trade high-cost memory storage/ access for lower-cost compute。
SDは貯蔵および訓練エネルギーの10.56xそして4.48x減少、最先端の訓練のベースラインと比較される無視可能な正確さの損失をもたらすことを示します。
論文 参考訳(メタデータ) (2021-01-04T18:54:07Z)
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。