論文の概要: FedEDAuth -- Federated Embedding Distribution Authentication for Counterfeit IC Detection

• arxiv url: http://arxiv.org/abs/2605.15885v1
• Date: Fri, 15 May 2026 12:08:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.323534
• Title: FedEDAuth -- Federated Embedding Distribution Authentication for Counterfeit IC Detection
• Title（参考訳）: FededAuth -- 偽IC検出のためのFederated Embedding Distribution Authentication
• Authors: Naseeruddin Lodge, Dhruva Aklekar, Vineet Chadalavada, Nahush Tambe, Sina Gholami, Minhaj Alam, Fareena Saqib,
• Abstract要約: Federated Embedding Distribution Authentication (FedEDAuth)は、軽量で組み込みレベルのクライアント認証フレームワークである。 FedEDAuthは、ビザンチンデータ中毒攻撃の下で実験的な設定ですべてのクライアントを一貫して識別する。 フィルタリング後、フェデレートされたモデルは94.17%の精度で偽IC分類性能を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread of counterfeit integrated circuits (ICs) poses severe risks to the security, reliability, and trustworthiness of modern electronic systems. Federated learning (FL) offers a privacy-preserving paradigm for collaborative counterfeit detection across the semiconductor supply chain, but its vulnerability to byzantine data poisoning attacks limits practical deployment. This paper presents Federated Embedding Distribution Authentication (FedEDAuth), a lightweight, embedding level client authentication framework that detects and filters malicious participants before model aggregation. FedEDAuth leverages reference embedding distributions derived from a golden dataset and evaluates clients using outlier analysis, mean shift measurements, and micro-cluster behavior without requiring access to raw data or gradients. Integrated into standard FL pipelines, FedEDAuth consistently identifies all poisoned clients in experimental settings with 50 distributed participants under the byzantine data poisoning attack, achieving a 100% malicious client detection rate. After filtering, the federated model achieved a high counterfeit IC classification performance of 94.17% accuracy. These results not only validate FedEDAuth's effectiveness but also underscore the broader potential of secure, trustworthy FL frameworks as a critical advancement for next generation hardware security solutions, enabling robust, collaborative intelligence across the semiconductor supply chain.
• Abstract（参考訳）: 偽造集積回路(IC)の普及は、現代の電子システムのセキュリティ、信頼性、信頼性に深刻なリスクをもたらす。 フェデレートラーニング(FL)は、半導体サプライチェーン全体にわたる協調偽造検出のためのプライバシ保護パラダイムを提供するが、ビザンチンデータ中毒攻撃に対する脆弱性は、実用的なデプロイメントを制限している。 本稿では,モデルアグリゲーションの前に悪意ある参加者を検出しフィルタする軽量な埋め込みレベルのクライアント認証フレームワークであるFederated Embedding Distribution Authentication(FedEDAuth)を提案する。 FedEDAuthはゴールデンデータセットから派生した参照埋め込みディストリビューションを活用し、データや勾配へのアクセスを必要とせずに、外部分析、平均シフト測定、マイクロクラスタの振る舞いを使用してクライアントを評価する。 標準のFLパイプラインに統合されたFededAuthは、試験的な設定ですべての有毒クライアントを常に特定し、50人の分散参加者をビザンチンデータ中毒攻撃で検出し、100%悪意のあるクライアント検出率を達成する。 フィルタリング後、フェデレートされたモデルは94.17%の精度で偽IC分類性能を達成した。 これらの結果は、FededAuthの有効性を検証するだけでなく、半導体サプライチェーン全体で堅牢で協調的なインテリジェンスを可能にする、次世代ハードウェアセキュリティソリューションの重要な進歩として、セキュアで信頼性の高いFLフレームワークの幅広い可能性を強調している。

関連論文リスト

• ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
  Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。 最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。 ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
  論文  参考訳（メタデータ） (2026-02-28T07:25:32Z)
• Trustworthy Blockchain-based Federated Learning for Electronic Health Records: Securing Participant Identity with Decentralized Identifiers and Verifiable Credentials [0.06372261626436676]
  本稿では,SSI(Self-Sovereign Identity)標準を統合したTBFL(Trustworthy-based Federated Learning)フレームワークを提案する。 以上の結果から,Sybil攻撃の100%を中和し,高い予測性能を実現し,計算オーバーヘッドを無視できることを示した。 このアプローチは、施設間健康データコラボレーションのためのセキュアでスケーラブルで経済的に実行可能なエコシステムを提供する。
  論文  参考訳（メタデータ） (2026-02-02T17:45:58Z)
• Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection [0.0]
  フェデレートラーニング(FL)は、ローカルデバイスに生データが残ることを保証しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 このようなクライアントは、誤解を招く更新を送信することでトレーニングプロセスに干渉し、グローバルモデルのパフォーマンスと信頼性に悪影響を及ぼす可能性がある。 モデル勾配ではなく時間的損失のダイナミクスを監視して悪意のある行動を検知・緩和する,軽量かつプライバシ保護型防衛フレームワークであるFL-LTDを提案する。
  論文  参考訳（メタデータ） (2026-01-28T18:09:53Z)
• ECG Identity Authentication in Open-set with Multi-model Pretraining and Self-constraint Center & Irrelevant Sample Repulsion Learning [6.106335826823355]
  オープンセット設定でも高い性能を維持する頑健なECG認証システムを提案する。 本手法は,99.83%の認証精度を達成し,False Accept Rateを5.39%まで低く維持する。
  論文  参考訳（メタデータ） (2025-04-25T12:18:51Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Securing Federated Learning with Control-Flow Attestation: A Novel Framework for Enhanced Integrity and Resilience against Adversarial Attacks [2.28438857884398]
  分散機械学習パラダイムとしてのフェデレートラーニング(FL)は、新たなサイバーセキュリティ課題を導入した。 本研究では,従来サイバーセキュリティに用いられてきた制御フロー(CFA)機構にインスパイアされた,革新的なセキュリティフレームワークを提案する。 我々は、ネットワーク全体にわたるモデル更新の完全性を認証し、検証し、モデル中毒や敵対的干渉に関連するリスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-03-15T04:03:34Z)
• Mitigating Cross-client GANs-based Attack in Federated Learning [78.06700142712353]
  マルチ分散マルチメディアクライアントは、グローバル共有モデルの共同学習のために、フェデレートラーニング(FL)を利用することができる。 FLは、GAN(C-GANs)をベースとしたクロスクライアント・ジェネレーティブ・敵ネットワーク(GANs)攻撃に苦しむ。 C-GAN攻撃に抵抗する現在のFLスキームを改善するためのFed-EDKD手法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T08:15:55Z)
• FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation [69.75513501757628]
  FedGTは、フェデレーション学習における悪意のあるクライアントを安全なアグリゲーションで識別するための新しいフレームワークである。 我々はPillutlaらによって最近提案された幾何的中央値に基づいて,FedGTがプライベートロバストアグリゲーションアプローチを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2023-05-09T14:54:59Z)
• FedCC: Robust Federated Learning against Model Poisoning Attacks [0.0]
  フェデレートラーニング(Federated Learning)は、プライバシの問題に対処するために設計された分散フレームワークである。 新たなアタックサーフェスを導入しており、データは独立に、そしてIdentically Distributedである場合、特に困難である。 我々は,モデル中毒に対する簡易かつ効果的な新しい防御アルゴリズムであるFedCCを提案する。
  論文  参考訳（メタデータ） (2022-12-05T01:52:32Z)
• FLCert: Provably Secure Federated Learning against Poisoning Attacks [67.8846134295194]
  FLCertは、有毒な攻撃に対して確実に安全であるアンサンブル・フェデレート学習フレームワークである。 実験の結果,テスト入力に対するFLCertで予測されたラベルは,有意な数の悪意のあるクライアントによって影響を受けないことが判明した。
  論文  参考訳（メタデータ） (2022-10-02T17:50:04Z)

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。