論文の概要: DejaVu: Why You Should Write to Your DRAM Rows Twice, Carefully
- arxiv url: http://arxiv.org/abs/2606.22297v1
- Date: Sun, 21 Jun 2026 01:46:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 19:21:01.023191
- Title: DejaVu: Why You Should Write to Your DRAM Rows Twice, Carefully
- Title（参考訳）: DejaVu:DRAMを2倍に書けばいい理由
- Authors: Haocong Luo, İsmail Emir Yüksel, Ataberk Olgun, Nisa Bostanci, Orhun Ecemiş, Abdullah Giray Yağlıkçı, Onur Mutlu,
- Abstract要約: DejaVuは、以前DRAMセルに書き込まれたデータがDRAMの脆弱性に影響を与え、障害を読み取る現象である。
112個のCOTS DDR4 DRAMチップを主要3メーカーすべてから使用した実験的な特徴は、1つのデータに1回だけ書き込むことで被害者行を初期化するベースラインと比較して、1つのデータで上書きするとACminが減少し、最小の攻撃者行アクティベーションカウントがビットフリップを誘導し、2つの同じデータを書き込むとACminが2倍になることを示している。
- 参考スコア（独自算出の注目度）: 6.8648634967470565
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We provide the first experimental demonstration of DejaVu, a phenomenon where the data previously written to DRAM cells affects DRAM's vulnerability to read disturbance. Our experimental characterization using 112 COTS DDR4 DRAM chips from all three major manufacturers shows that, compared to the baseline where we initialize the victim row by writing to it only once, 1) overwriting it with the opposite data reduces ACmin, the minimum aggressor row activation count to induce a bitflip, and 2) writing the same data twice increases ACmin. We provide two hypotheses to explain DejaVu. First, we hypothesize that overwriting the victim row with opposite data values causes under-restoration of charge in DRAM cells. Second, we hypothesize that overwriting the victim row changes charge trap states in the active region, affecting read-disturbance-induced cell leakage current. We conduct controlled characterization to provide insight into these hypotheses. We further characterize the reliability of Processing-Using-DRAM (PUD) operations with DRAM rows initialized with DejaVu patterns. Our characterization of 32-row MAJ-3 operation shows that overwriting the DRAM rows used in the operation reduces the number of bitlines that fail to reliably perform MAJ-3 by 32.7% on average compared to the baseline where rows are written only once. Based on our observations, we describe two major implications of DejaVu. We show how DRAM testing and characterization methodologies should account for DejaVu to accurately characterize read disturbance vulnerability under fixed data patterns and rigorously study data-pattern effects without unintended interference from DejaVu. We also evaluate the performance overhead of read disturbance mitigation techniques when thresholds need to be lowered to be secure against DejaVu, showing a 6.3% overhead when reducing the threshold by 20%.
- Abstract（参考訳）: DejaVuは、以前DRAMセルに書き込まれたデータがDRAMの脆弱性に影響を与え、障害を読み取る現象である。
3大メーカーの112 COTS DDR4 DRAMチップを用いた実験評価では, 被害者行を1回だけ書き込むベースラインと比較して, 結果が得られた。
1) 反対のデータで上書きするとACminが減少し、最小の攻撃者行のアクティベーションカウントがビットフリップを誘導し、
2) 同じデータを2回書くとACminが増加する。
DejaVuの説明には2つの仮説がある。
まず、被害者行を反対のデータ値で上書きすると、DRAMセルの電荷が過小評価されるという仮説を立てる。
第2に,被害者列の上書きがアクティブ領域の電荷トラップ状態を変化させ,読み出し障害によるセルリーク電流に影響を及ぼすという仮説を立てる。
我々はこれらの仮説に関する洞察を提供するために制御された特徴づけを行う。
DejaVuパターンを初期化したDRAM行によるPUD(Processing-Using-DRAM)操作の信頼性をさらに特徴付ける。
この操作で使用するDRAM行を上書きすると,行が1回だけ書き込まれるベースラインに比べて,MAJ-3が確実に実行できないビット行数が平均32.7%減少する。
本報告では,DejaVuの2つの主要な意味について述べる。
本稿では,DRAM テストとキャラクタリゼーション手法が DejaVu に対して,定型データパターン下での読み出し障害の脆弱性を正確に識別し,意図しない干渉を伴わずにデータパターンの効果を厳密に研究する方法について述べる。
また、DejaVuに対して閾値を下げる必要がある場合に読み出し障害軽減技術の性能オーバーヘッドを評価し、閾値を20%下げる際に6.3%のオーバーヘッドを示す。
関連論文リスト
- ScaleDisturb: Exploiting Temporal Asymmetry to Amplify Read Disturbance in Modern DRAM Chips [10.455865014019036]
本研究では,DRAM読み取り障害を増幅する新しいDRAMアクセスパターンであるScaleDisturbを提案する。
196個のDDR4および32個のDRAMチップの厳密な実験により、ScaleDisturbは、最先端のメモリアクセスパターンと比較して、行アクティベーションを著しく少なくすることがわかった。
本論文では,ScaleDisturbを利用したユーザレベルのプログラムが,最先端のRowHammerやRowPressのメモリアクセスパターンよりも多くのビットフリップを誘導する実システムに対する概念実証攻撃を示す。
論文 参考訳（メタデータ） (2026-06-05T18:21:16Z) - MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。
汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。
MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
論文 参考訳（メタデータ） (2026-04-17T07:29:52Z) - Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。
ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。
BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
論文 参考訳（メタデータ） (2025-12-11T14:40:01Z) - ColumnDisturb: Understanding Column-based Read Disturbance in Real DRAM Chips and Implications for Future Systems [6.783563455660762]
実商品DRAMチップにおいて,新しい広汎な読み出し障害現象であるColumnDisturbを実験的に実証した。
我々は,DRAMカラムを介してDRAMセルを乱し,攻撃列と同じ列を共有するセルにビットフリップを誘導できることを示した。
ColumnDisturbでは、単一行の活性化が、最大3つのサブアレイにわたる細胞を同時に妨害する。
論文 参考訳（メタデータ） (2025-10-16T14:52:41Z) - Command-V: Pasting LLM Behaviors via Activation Profiles [67.07238260037839]
Command-Vはバックプロパゲーションフリーな行動伝達法である。
既存の残留活性化アダプタをドナーモデルからコピーし、その効果を受信モデルに貼り付ける。
論文 参考訳（メタデータ） (2025-06-23T21:21:49Z) - Poison Once, Control Anywhere: Clean-Text Visual Backdoors in VLM-based Mobile Agents [54.35629963816521]
この研究は、VLMベースのモバイルエージェントをターゲットにした最初のクリーンテキストバックドアアタックであるVIBMAを紹介する。
この攻撃は、視覚的な入力だけを変更することによって、悪意ある振る舞いをモデルに注入する。
クリーンタスクの動作を保ちながら高い成功率を達成できることを示す。
論文 参考訳（メタデータ） (2025-06-16T08:09:32Z) - PuDHammer: Experimental Analysis of Read Disturbance Effects of Processing-using-DRAM in Real DRAM Chips [6.537810647501026]
本稿では,316個の実DDR4 DRAMチップを用いたPuD(PuDHammerと呼ぶ)の読み出し障害効果について述べる。
PuDHammerは読み出し障害の脆弱性を大幅に悪化させ、最初のビットフリップを誘導するために必要な最小ハンマー数を158.58倍に削減した。
論文 参考訳（メタデータ） (2025-06-15T19:17:50Z) - Read Disturbance in High Bandwidth Memory: A Detailed Experimental Study on HBM2 DRAM Chips [6.501197729222095]
高帯域メモリ(HBM)における読み出し障害(RowHammer,RowPress)の効果を実験的に実証し,未文書読み出し障害防御機構の内部動作を明らかにする。
2つのFPGAボードで6つのReal2 DRAMチップの詳細な特徴は、読み取り障害の脆弱性が2つの異なるチップ間で著しく異なることを示している。
我々は,より強力な読解障害攻撃とより効率的な防御機構を開発するために,我々の研究成果をどのように活用できるかを述べる。
論文 参考訳（メタデータ） (2023-10-23T08:01:48Z) - Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。
本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
論文 参考訳（メタデータ） (2021-04-29T15:49:01Z) - Reducing Representation Drift in Online Continual Learning [87.71558506591937]
私たちは、エージェントが制限されたメモリと計算で変化する分布から学ぶ必要があるオンライン連続学習パラダイムを研究します。
この作業では、入ってくるデータストリームに未観測のクラスサンプルが導入されることにより、事前に観測されたデータの表現の変化に焦点を合わせます。
論文 参考訳（メタデータ） (2021-04-11T15:19:30Z)
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。