論文の概要: Securing Deep Learning Hardware: A Survey of Side-Channel Vulnerabilities and Countermeasures

• arxiv url: http://arxiv.org/abs/2607.04055v1
• Date: Sat, 04 Jul 2026 23:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.807084
• Title: Securing Deep Learning Hardware: A Survey of Side-Channel Vulnerabilities and Countermeasures
• Title（参考訳）: ディープラーニングハードウェアの安全性:サイドチャネル脆弱性の調査と対策
• Abstract要約: ディープラーニングモデルは、医療、金融、セキュリティといった重要な分野にますます導入されている。 サイドチャネル攻撃(SCA)は、モデルに直接アクセスすることなく機密情報を抽出できるため、特定の課題を表している。 ハードウェアの物理的および微構造的特性を活用することで、攻撃者はシステムを妥協することができる。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As deep learning models are increasingly deployed in critical sectors such as healthcare, finance, and security, ensuring their protection against emerging threats has become crucial. Among these threats, side-channel attacks (SCAs) represent a particular challenge since they can extract sensitive information such as model architectures, parameters, and even user inputs without requiring direct access to the model. By leveraging the physical and micro-architectural properties of the hardware, attackers can compromise systems. This survey begins by classifying leakage sources and attacker objectives, then analyzes representative studies that demonstrate practical side-channel exploits against deep-learning hardware. It also reviews existing defenses aimed at mitigating these vulnerabilities and concludes by outlining key open research challenges and potential future directions.
• Abstract（参考訳）: ディープラーニングモデルは、医療、金融、セキュリティといった重要な分野にますます導入されているため、新興の脅威に対する保護が重要になっている。 これらの脅威の中で、サイドチャネルアタック(SCA)はモデルアーキテクチャやパラメータ、さらにはユーザ入力といった機密情報をモデルに直接アクセスする必要なしに抽出できるため、特定の課題を表している。 ハードウェアの物理的および微構造的特性を活用することで、攻撃者はシステムを妥協することができる。 この調査は、リークソースと攻撃対象の分類から始まり、ディープラーニングハードウェアに対する実用的なサイドチャネルエクスプロイトを実証する代表的な研究を分析する。 また、これらの脆弱性の軽減を目的とした既存の防衛策を見直し、主要なオープンな研究課題と将来的な方向性を概説することで結論付けている。

関連論文リスト

• Responsible Diffusion: A Comprehensive Survey on Safety, Ethics, and Trust in Diffusion Models [69.22690439422531]
  拡散モデル(DM)は,高品質なデータを生成する能力から,様々な領域で研究されている。 従来のディープラーニングシステムと同様に、DMに対する潜在的な脅威も存在する。 この調査は、その枠組み、脅威、および対策を包括的に解明する。
  論文  参考訳（メタデータ） (2025-09-25T02:51:43Z)
• Breaking to Build: A Threat Model of Prompt-Based Attacks for Securing LLMs [0.0]
  大規模言語モデル(LLM)は重要なセキュリティ課題を導入している。 敵のアクターは入力プロンプトを操作できる 重大な損傷を発生させ 安全アライメントを回避できる 本調査は,次世代のLLMの構築に向けた研究コミュニティの取り組みを報告することを目的としている。
  論文  参考訳（メタデータ） (2025-09-04T18:59:07Z)
• A Review of the Duality of Adversarial Learning in Network Intrusion: Attacks and Countermeasures [0.0]
  敵対的攻撃、特にディープラーニングモデルの脆弱性を狙った攻撃は、サイバーセキュリティに対するニュアンスで重大な脅威となる。 本研究は,データポジショニング,テストタイムエベイション,リバースエンジニアリングなど,敵対的な学習の脅威について論じる。 我々の研究は、敵の攻撃によって引き起こされるネットワークセキュリティとプライバシの潜在的な侵害に対処するための防御メカニズムを強化するための基盤となる。
  論文  参考訳（メタデータ） (2024-12-18T14:21:46Z)
• Deep Learning Model Security: Threats and Defenses [25.074630770554105]
  ディープラーニングはAIアプリケーションを変えたが、重要なセキュリティ課題に直面している。 この調査は、これらの脆弱性を調べ、それらのメカニズムとモデル完全性と機密性への影響を詳細に示す。 この調査は、自動化された防御、ゼロトラストアーキテクチャ、大規模AIモデルのセキュリティ上の課題を強調し、今後の方向性を結論付けている。
  論文  参考訳（メタデータ） (2024-12-12T06:04:20Z)
• Model Inversion Attacks: A Survey of Approaches and Countermeasures [69.18069679327263]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects [0.33554367023486936]
  本稿では,機械学習を用いたネットワーク侵入検知システム(NIDS)の総合的なレビューを行う。 NIDSにおける既存の研究を批判的に検討し、重要なトレンド、強み、限界を強調した。 我々は、この分野における新たな課題について議論し、より堅牢でレジリエントなNIDSの開発に向けた洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-27T13:27:29Z)
• It Is All About Data: A Survey on the Effects of Data on Adversarial Robustness [4.1310970179750015]
  逆の例は、攻撃者が意図的にモデルを混乱させてミスを犯すように設計された機械学習モデルへの入力である。 この問題に対処するために、敵の堅牢性の領域は、敵の攻撃の背後にあるメカニズムとこれらの攻撃に対する防御を調査する。
  論文  参考訳（メタデータ） (2023-03-17T04:18:03Z)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Holistic Adversarial Robustness of Deep Learning Models [91.34155889052786]
  敵対的堅牢性は、安全性と信頼性を確保するために、機械学習モデルの最悪のケースパフォーマンスを研究する。 本稿では,深層学習モデルの対角的ロバスト性に関する研究課題の概要と研究手法の基礎原則について概説する。
  論文  参考訳（メタデータ） (2022-02-15T05:30:27Z)
• Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses [150.64470864162556]
  この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。 様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
  論文  参考訳（メタデータ） (2020-12-18T22:38:47Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)

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。