論文の概要: Loaded Dice: Solving the Non-Selection Problem for Scalable Probabilistic RowHammer Defense

• arxiv url: http://arxiv.org/abs/2605.17358v1
• Date: Sun, 17 May 2026 09:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.919589
• Title: Loaded Dice: Solving the Non-Selection Problem for Scalable Probabilistic RowHammer Defense
• Title（参考訳）: Loaded Dice: スケーラブルな確率的ロウハマー防御のための非選択問題の解決
• Authors: Jeonghyun Woo, Junsu Kim, Aamer Jaleel, Prashant J. Nair,
• Abstract要約: JEDECは、オプションのDDR5機能として、Alert Back-Offプロトコルを使ったPer Row Activation Countingを導入した。 PRACは、領域のオーバーヘッドを発生させるロー単位のカウンタセルを必要とし、アクティベーション毎に更新することでDRAMタイミングパラメータを延長する。 本稿では,ウィンドウ間のサンプル行を関連付ける,交差点に基づく確率的緩和手法PrISMを提案する。
• 参考スコア（独自算出の注目度）: 12.03490786085903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DRAM scaling has exacerbated the RowHammer vulnerability. To counter this, JEDEC recently introduced Per Row Activation Counting (PRAC) with the Alert Back-Off protocol as an optional DDR5 feature. While promising, PRAC requires per-row counter cells that incur area overhead, and updating them on every activation lengthens DRAM timing parameters, degrading performance. Probabilistic mitigations such as MINT offer a lower-cost alternative by randomly selecting and mitigating rows within periodic mitigation windows. MINT is effective at higher thresholds (>= 1000), but at lower thresholds, it must raise its mitigation rate to overcome the non-selection problem, where heavily hammered rows can repeatedly escape sampling. This fixed-rate scaling reduces effective memory bandwidth even when no attack is present. To overcome this limitation, we propose PrISM, an intersection-based probabilistic mitigation that correlates sampled rows across windows using a Sampled History Queue (SHQ). PrISM samples a few activation slots per window, stores sampled-but-unmitigated rows in the SHQ, and requests an additional mitigation through the existing Alert Back-Off protocol when a sampled row reappears in this history. This allows PrISM to increase mitigation only when persistent row activity is observed, without globally increasing the fixed mitigation rate. At the threshold of 500, PrISM incurs a negligible 0.2% average slowdown compared to 14% for PRAC, with no DRAM array changes or per-row counters and only 625B of SRAM per bank, one to two orders of magnitude less than prior secure counter-based in-DRAM defenses. Compared to MINT, PrISM provides better scalability at low thresholds, reducing average slowdown from 10.7% to 1.5% at a threshold of 250, a 7.1x reduction. PrISM is open-sourced at https://github.com/STAR-Laboratory/prism.
• Abstract（参考訳）: DRAMスケーリングはRowHammerの脆弱性を悪化させた。 これに対応するため、JEDECは先日、オプションのDDR5機能としてAlert Back-Offプロトコルを備えたPer Row Activation Counting (PRAC)を導入した。 PRACは有望ながら、領域のオーバーヘッドを発生させるロー単位のカウンタセルを必要とし、アクティベーション毎に更新することでDRAMタイミングパラメータが増加し、性能が低下する。 MINTのような確率的緩和は、周期的緩和ウィンドウ内の行をランダムに選択して緩和することで、低コストな代替手段を提供する。 MINTは高いしきい値(>=1000)で有効であるが、低いしきい値では、重く打たれた行がサンプリングを繰り返し回避できる非選択問題を克服するために、その緩和率を上げる必要がある。 この固定レートスケーリングは、攻撃がない場合でも、効果的なメモリ帯域幅を削減する。 この制限を克服するために,SHQ (Sampred History Queue) を用いて,ウィンドウ横断のサンプル行を相関付ける交叉型確率緩和法 PrISM を提案する。 PrISMはウィンドウ毎にいくつかのアクティベーションスロットをサンプリングし、SHQにサンプルだが未修正の行を格納し、この履歴にサンプル行が再現れると、既存のAlert Back-Offプロトコルを通じて追加の緩和を要求する。 これによりPrISMは、固定緩和率を全世界的に増加させることなく、永続的な行アクティビティが観察された場合にのみ緩和を増大させることができる。 500の閾値では、PrISMはPRACの14%と比べて無視できる平均0.2%の減速を発生させ、DRAMアレイやローカウンタは変更されず、バンクごとのSRAMは625Bしかなく、以前の安全なカウンタベースのインDRAMディフェンスよりも1～2桁少ない。 MINTと比較すると、PrISMは低しきい値でのスケーラビリティが向上し、平均減速率は10.7%から250しきい値の1.5%に低下し、7.1倍に低下する。 PrISMはhttps://github.com/STAR-Laboratory/prismでオープンソース化されている。

関連論文リスト

• Beyond SGD, Without SVD: Proximal Subspace Iteration LoRA with Diagonal Fractional K-FAC [50.36542772932594]
  Low-Rank Adaptation (LoRA) は、凍結重量の上の低ランク更新を学習することで、大きなモデルを微調整する。 本研究では,ローランクプロジェクション(SVDLoRA)とローラファインチューニング(LoRAファインタニング)のフルステップでのトレーニングのギャップに対処する。 勾配降下のギャップを埋めるメモリ効率の良いサブルーチンであるLoRSumを提案する。
  論文  参考訳（メタデータ） (2026-02-18T13:41:41Z)
• QPRAC: Towards Secure and Practical PRAC-based Rowhammer Mitigation using Priority Queues [4.3423142741332255]
  JEDECは、DDR5と将来のDRAMのためのPer Row Activation Counting (PRAC)フレームワークを導入した。 PRACはローハンマー攻撃の全体的緩和を可能にする。 本稿では,PRACフレームワークを使用した最初のセキュアでスケーラブルで実用的なRowHammerソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-31T02:48:20Z)
• Efficient Inference for Large Language Model-based Generative Recommendation [78.38878421030522]
  LLM(Large Language Model)ベースの生成レコメンデーションは目覚ましい成功を収めた。 ジェネレーティブレコメンデーションにSD(Speculative Decoding)を適用すると、トップKアイテムを生成する必要があるため、ユニークな課題が提示される。 我々は,厳密なトップK検証の下でトップKアライメントを最適化する AtSpeed-S というアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T16:23:36Z)
• Training-Free Exponential Context Extension via Cascading KV Cache [49.608367376911694]
  カスケードサブキャッシュバッファを利用して,最も関連性の高いトークンを選択的に保持する機構を導入する。 本手法は,1Mトークンのフラッシュアテンションと比較して,プリフィルステージ遅延を6.8倍削減する。
  論文  参考訳（メタデータ） (2024-06-24T03:59:17Z)
• 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)
• 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)

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。