Fugu-MT 論文翻訳(概要): DECOR: Enhancing Logic Locking Against Machine Learning-Based Attacks

論文の概要: DECOR: Enhancing Logic Locking Against Machine Learning-Based Attacks

arxiv url: http://arxiv.org/abs/2403.01789v1
Date: Mon, 4 Mar 2024 07:31:23 GMT
ステータス: 処理完了
システム内更新日: 2024-03-17 17:10:47.093784
Title: DECOR: Enhancing Logic Locking Against Machine Learning-Based Attacks
Title（参考訳）: DECOR: マシンラーニングベースの攻撃に対するロジックロックの強化
Authors: Yinghua Hu, Kaixin Yang, Subhajit Dutta Chowdhury, Pierluigi Nuzzo,
Abstract要約: 論理ロック(LL)は集積回路の有望な知的財産保護対策として注目されている。機械学習(ML)によって促進された最近の攻撃は、複数のLLスキームで正しいキーを予測する可能性を示している。本稿では、LL方式におけるロックされた回路網リストと正しい鍵値との相関を著しく低減できるランダム化アルゴリズムに基づく汎用LL拡張手法を提案する。
参考スコア（独自算出の注目度）: 0.6131022957085439
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Logic locking (LL) has gained attention as a promising intellectual property protection measure for integrated circuits. However, recent attacks, facilitated by machine learning (ML), have shown the potential to predict the correct key in multiple LL schemes by exploiting the correlation of the correct key value with the circuit structure. This paper presents a generic LL enhancement method based on a randomized algorithm that can significantly decrease the correlation between locked circuit netlist and correct key values in an LL scheme. Numerical results show that the proposed method can efficiently degrade the accuracy of state-of-the-art ML-based attacks down to around 50%, resulting in negligible advantage versus random guessing.
Abstract（参考訳）: 論理ロック(LL)は集積回路の有望な知的財産保護対策として注目されている。しかし、機械学習(ML)による最近の攻撃は、正しい鍵値と回路構造との相関を利用して、複数のLLスキームにおいて正しい鍵を予測する可能性を示している。本稿では、LL方式におけるロックされた回路網リストと正しい鍵値との相関を著しく低減できるランダム化アルゴリズムに基づく汎用LL拡張手法を提案する。その結果,提案手法は,最先端のMLベースの攻撃の精度を50%程度まで下げることができ,ランダムな推測に対して無視可能な優位性が得られることがわかった。

関連論文リスト

Cute-Lock: Behavioral and Structural Multi-Key Logic Locking Using Time Base Keys [1.104960878651584]
我々は、Cute-Lockと呼ばれるセキュアなマルチキー論理ロックアルゴリズムのファミリーを提案し、実装し、評価する。種々の攻撃条件下での実験結果から,Cute-Lockファミリーを応用した脆弱な最先端手法と比較して,余分なオーバーヘッドを伴わずに致命的な攻撃を試みていることが確認された。
論文参考訳（メタデータ） (2025-01-29T03:44:55Z)
Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
論文参考訳（メタデータ） (2025-01-25T04:53:36Z)
S-LoRA: Scalable Low-Rank Adaptation for Class Incremental Learning [73.93639228235622]
基礎モデルによる継続的な学習は、逐次的なタスクに事前訓練されたモデルのパワーを活用するための有望なアプローチとして現れてきた。本稿では,LRAパラメータの方向と大きさの学習を段階的に分離する,CL(特にクラスインクリメンタルラーニング)のためのスケーラブル低ランク適応(S-LoRA)手法を提案する。我々の理論的および実証的な分析により、S-LoRAは重なり合う低損失領域に収束する低損失軌道を辿る傾向にあり、CLの安定性と塑性のトレードオフは良好であることが示された。
論文参考訳（メタデータ） (2025-01-22T20:00:41Z)
Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
論文参考訳（メタデータ） (2024-10-05T05:21:48Z)
Late Breaking Results: On the One-Key Premise of Logic Locking [0.40980625270164805]
ロック技術は、この正しいキーを見つけるための優れた攻撃に抵抗すると、安全であると判断される。本稿では、より効率的な攻撃手法を導入することで、このワンキー前提に挑戦する。我々の攻撃は、単一の正しいキーを見つけようとする従来の攻撃と比較して、最大99.6%のランタイム削減を実現している。
論文参考訳（メタデータ） (2024-08-22T19:05:13Z)
SubLock: Sub-Circuit Replacement based Input Dependent Key-based Logic Locking for Robust IP Protection [1.804933160047171]
既存のロジックロック技術はSATベースの攻撃に対して脆弱である。いくつかのSAT耐性論理ロック法が報告されている。本稿では,新しい入力依存鍵ベースの論理ロック(IDKLL)を提案する。
論文参考訳（メタデータ） (2024-06-27T11:17:06Z)
Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information [67.78183175605761]
大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
論文参考訳（メタデータ） (2023-11-20T03:17:21Z)
ALMOST: Adversarial Learning to Mitigate Oracle-less ML Attacks via Synthesis Tuning [18.758747687330384]
Oracleなしの機械学習(ML)攻撃は、さまざまなロジックロックスキームを壊した。合成チューニングによるオラクルレスML攻撃を軽減するための逆学習フレームワークであるALMOSTを提案する。
論文参考訳（メタデータ） (2023-03-06T18:55:58Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
Challenging the Security of Logic Locking Schemes in the Era of Deep Learning: A Neuroevolutionary Approach [0.2982610402087727]
ディープラーニングはロジックロックの領域で導入されている。私たちはSnapShotを紹介します。これは、ニューラルネットワークを利用した最初のタイプのロジックロックに対する新しい攻撃です。本研究では,SnapShotが選択した攻撃シナリオに対して平均キー予測精度82.60%を達成することを示す。
論文参考訳（メタデータ） (2020-11-20T13:03:19Z)
Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
論文参考訳（メタデータ） (2020-06-07T15:35:47Z)

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。