論文の概要: Attacking AI Accelerators by Leveraging Arithmetic Properties of Addition

• arxiv url: http://arxiv.org/abs/2603.27439v1
• Date: Sat, 28 Mar 2026 23:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.958436
• Title: Attacking AI Accelerators by Leveraging Arithmetic Properties of Addition
• Title（参考訳）: 付加の算術的性質を活用するAI加速器の攻撃
• Authors: Masoud Heidary, Biresh Kumar Joardar,
• Abstract要約: 我々は,乗算・加算操作を妨害するために,加算の可換性を利用する新しいハードウェア老化攻撃を提案する。 加算器の入力を置換することにより、トランジスタ間の不均衡な応力を誘導しながら機能的正しさを保ち、回路の遅延劣化を加速させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The dependability of AI models relies largely on the reliability of the underlying computation hardware. Hardware aging attacks can compromise the computing substrate and disrupt AI models over the long run. In this work, we present a new hardware aging attack that exploits commutative properties of addition to disrupt the multiply-and-add operation that forms the backbone of almost all AI models. By permuting the inputs of an adder, the attack preserves functional correctness while inducing unbalanced stress among transistors, accelerating delay degradation in the circuit. Unlike prior approaches that rely on input manipulation, additional trojan circuitry, etc., the proposed method incurs virtually no area or software overhead. Experimental results with two types of multipliers, different bit widths, a mix of AI models and datasets demonstrates that the proposed attack degrades inference accuracy by up to 64% in 4 years, posing a significant threat to AI accelerators. The attack can also be extended to arithmetic units of general-purpose processors.
• Abstract（参考訳）: AIモデルの信頼性は、基盤となる計算ハードウェアの信頼性に大きく依存する。 ハードウェアの老朽化攻撃は、コンピューティングの基盤を侵食し、長期的にAIモデルを妨害する可能性がある。 本研究では,ほぼすべてのAIモデルのバックボーンを形成する乗算演算を妨害するために,加算の可換性を利用したハードウェア老化攻撃を提案する。 加算器の入力を置換することにより、トランジスタ間の不均衡な応力を誘導しながら機能的正しさを保ち、回路の遅延劣化を加速させる。 入力操作やトロイの木馬回路などに依存する従来の手法とは異なり、提案手法では領域やソフトウェアのオーバーヘッドがほとんどない。 2種類の乗算器、異なるビット幅、AIモデルとデータセットの混合による実験結果は、提案された攻撃が4年間で最大64%の推論精度を低下させ、AIアクセラレーターに重大な脅威をもたらすことを示した。 この攻撃は汎用プロセッサの算術単位にも拡張できる。

関連論文リスト

• Stealing AI Model Weights Through Covert Communication Channels [0.0]
  本稿では,AIハードウェアアクセラレーターを搭載した無線機器を対象とした新たな攻撃手法を提案する。 第1フェーズでは、被害者のデバイスはハードウェアのトロイの木馬によって妥協される。 第2フェーズでは、敵は近くの無線デバイスを使用して被害者の送信フレームを傍受する。
  論文  参考訳（メタデータ） (2025-09-30T18:21:41Z)
• Scalable, Symbiotic, AI and Non-AI Agent Based Parallel Discrete Event Simulations [0.0]
  本稿では,複数のAIエージェントと非AIエージェントを組み合わせた並列離散イベントシミュレーション(PDES)手法を提案する。 我々は、4つの異なるドメインから4つの問題を解き、その結果をAIモデルだけで比較することで、我々のアプローチを評価する。 その結果,バニラモデルの精度が23%未満であるため,アプローチ全体の精度は68%であった。
  論文  参考訳（メタデータ） (2025-05-28T17:50:01Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• Enhancing Adversarial Transferability with Adversarial Weight Tuning [50.01825144613307]
  敵対的な例(AE)は、人間の観察者に対して良心を抱きながらモデルを誤解させた。 AWTは、勾配に基づく攻撃法とモデルに基づく攻撃法を組み合わせて、AEの転送可能性を高めるデータフリーチューニング手法である。
  論文  参考訳（メタデータ） (2024-08-18T13:31:26Z)
• Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
  大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。 本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
  論文  参考訳（メタデータ） (2024-05-24T14:20:09Z)
• AI Algorithm for Predicting and Optimizing Trajectory of UAV Swarm [4.025253632495535]
  本稿では,無人航空機(UAV)の艦隊生成における人工知能(AI)技術の適用について検討する。 2つの主な課題は、UAVの経路を正確に予測し、それらの衝突を効果的に回避することである。 スウェーデンとエリオットのアクティベーションを高度に融合した新しいアクティベーション関数AdaptoSwelliGaussを導入する。
  論文  参考訳（メタデータ） (2024-05-20T01:47:28Z)
• Adaptation of XAI to Auto-tuning for Numerical Libraries [0.0]
  説明可能なAI(XAI)技術は、AIモデル開発の合理化と、ユーザへのAI出力の説明の負担軽減を目的として、注目を集めている。 本研究は,2つの異なるプロセスに統合されたAIモデルのXAIに着目し,数値計算を行う。
  論文  参考訳（メタデータ） (2024-05-12T09:00:56Z)
• Cloud-based XAI Services for Assessing Open Repository Models Under Adversarial Attacks [7.500941533148728]
  計算コンポーネントとアセスメントタスクをパイプラインにカプセル化するクラウドベースのサービスフレームワークを提案する。 我々は、AIモデルの5つの品質特性を評価するために、XAIサービスの応用を実証する。
  論文  参考訳（メタデータ） (2024-01-22T00:37:01Z)
• The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
  我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。 敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
  論文  参考訳（メタデータ） (2021-06-26T10:50:07Z)
• On Adversarial Examples and Stealth Attacks in Artificial Intelligence Systems [62.997667081978825]
  本稿では,汎用人工知能(AI)システムに対する2種類の多元性行動の評価と分析を行うための公式な枠組みを提案する。 最初のクラスは、逆例を含み、誤分類を引き起こす入力データの小さな摂動の導入を懸念する。 第2のクラスは、ここで初めて導入され、ステルス攻撃と名付けられたもので、AIシステム自体に対する小さな摂動を伴う。
  論文  参考訳（メタデータ） (2020-04-09T10:56:53Z)

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。