論文の概要: Dynamic Rowhammer Threshold Management:Temperature-Aware Threshold Degradation for In-DRAM Defenses

• arxiv url: http://arxiv.org/abs/2607.10392v1
• Date: Sat, 11 Jul 2026 16:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.419824
• Title: Dynamic Rowhammer Threshold Management:Temperature-Aware Threshold Degradation for In-DRAM Defenses
• Title（参考訳）: Dynamic Rowhammer Threshold Management:温度を考慮したDRAM防御用閾値劣化
• Abstract要約: In-DRAM Rowhammerディフェンスは製造時の緩和しきい値を示すが、真のRowhammer Threshold(TRHD)は実行温度によって異なる。 EmphDynamic Rowhammer Threshold Managementは防衛非依存のランタイム層で、各防衛のしきい値が1時間毎に観測温度から再資源化されている。
• 参考スコア（独自算出の注目度）: 1.253312107729806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-DRAM Rowhammer defenses pin the mitigation threshold at manufacture time, yet the true Rowhammer Threshold (TRHD) varies with runtime temperature. We propose \emph{Dynamic Rowhammer Threshold Management}, a defense-agnostic runtime layer that re-sources each defense's threshold from the observed temperature once per epoch via a linear-$T$ model with a VRD-motivated guardband $g$, projecting the result onto SALT-C, PRAC, and TRR through each defense's threshold parameter. A decoupled oracle that scales physical TRHD per-DIMM by $δ\sim \mathrm{N}(1, σ)$ breaks model self-consistency. The layer drives PRAC's 72 staleness breaches at 85$^\circ$C to zero; at $σ{=}0.10$, sweeping $g$ collapses PRAC breaches from 38.4 ($g{=}1.0$) to 9.6 ($g{=}0.9$). SALT-C drops from 10 nominal-static breaches to 2 (Dynamic) to 0 (bootstrap), at $\leq$5.1\% latency. TRR is capacity-limited; the layer acts as a diagnostic.
• Abstract（参考訳）: In-DRAM Rowhammerディフェンスは製造時の緩和しきい値を示すが、真のRowhammer Threshold(TRHD)は実行温度によって異なる。 本稿では,各防衛のしきい値にSALT-C,PRAC,TRRを投影したVRD駆動ガードバンド$g$の線形T$モデルを用いて,各防衛のしきい値から各防衛のしきい値を再資源化する,防衛非依存のランタイム層である \emph{Dynamic Rowhammer Threshold Management} を提案する。 物理的 TRHD per-DIMM を $δ\sim \mathrm{N}(1, σ)$ でスケールする分離オラクルはモデル自己整合性を破る。 この層はPRACの72ステールネス違反を85$^\circ$Cでゼロに、$σ{=}0.10$で、$g$が38.4(g{=}1.0$)から9.6(g{=}0.9$)に崩壊させる。 SALT-Cは10の名目上の静的な違反から2(Dynamic)から0(bootstrap)に、$\leq$5.1\%のレイテンシでダウンする。 TRRは容量に制限があり、層は診断として機能する。

関連論文リスト

• Behavior--Realization Separation for Constrained Physical Human--Robot Interaction [0.0]
  本稿では, メモリレスアフィン挙動を実現するリテーディングホライズン二次プログラムを実装した。 MuJoCoのトルク制御 7-DOF Franka FR3 では、実行時が解決するごとにタスク空間のダイナミクスを凍結し、水平方向にトルクの実現性を強制する。
  論文  参考訳（メタデータ） (2026-09-01T03:46:05Z)
• SANE: State Anomaly Neutralization for Stable Extreme-Context Delta-Rule Models [53.86918766240095]
  Delta-Ruleリカレントモデルは固定サイズの状態を維持しており、$O(1)$の推論メモリが可能であるが、極端なコンテキスト外挿では不安定になる可能性がある。 我々は,チャンク内並列構造を保ちながら,チャンク境界における適応$tanh$圧縮を適用したtextbfState Anomaly Neutralization (SANE)を提案する。
  論文  参考訳（メタデータ） (2026-08-23T10:41:07Z)
• ShortOPD: Recovering Pruned LLMs with Short-to-Long On-Policy Distillation [72.54604107217669]
  textscpass@$k$は圧縮後にほぼ消滅するが、textscpass@$k$は繰り返しサンプリングの下でほぼ回復する。 回復は、密集したトークンレベルの監督の下で、圧縮されたモデル自身のオン政治状態で訓練すべきである。 我々は,教師が確認した反復接尾辞を検知する短時間のOPDスケジュールであるtextbfshortopdを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:50:50Z)
• When Words Predict Workload [0.0]
  ハードウェアの崩壊を防止するため,CPU側言語資源予測(LRF)ゲートウェイを提案する。 ゲートウェイは16次元のテキスト構造ベクトルを抽出し、XGBoost予測器を適用してトラップバンドメンバシップを予測する。 予測器は実戦でのAUROCの0.84ドルを達成し、ダイナミックな$Tauroute(t)$コントローラは、等価な静的しきい値と比較して8.2%の相対的な不正行為の低減を実現した。
  論文  参考訳（メタデータ） (2026-07-06T11:27:29Z)
• MEMSAD: Gradient-Coupled Anomaly Detection for Memory Poisoning in Retrieval-Augmented Agents [0.0]
  検索強化エージェントに対するメモリ中毒攻撃を,統合評価フレームワークを用いたStackelbergゲームとして定式化する。 ASR-R: 0.25〜1.00$) による攻撃成功度を4倍に向上させる。 私たちの主な貢献は、勾配結合に接地したキャリブレーションに基づく防御であるMEMSADである。
  論文  参考訳（メタデータ） (2026-05-05T08:15:41Z)
• Persistent Memory Through Triple-Loop Consolidation in a Non-Gradient Dissipative Cognitive Architecture [0.0]
  本稿では,三重ループ統合サイクルを通した非段階的な永続メモリ機構であるDeep Memoryを紹介する。 我々は、Mixture-of-Experts (MoE) ゲーティングによる個別のエキスパートルーティングがDMの因果的前提であることを示した。 以上の結果から, DMは, 海馬統合と機能的並行性を有する非段階認知システムにおいて, 持続記憶の機構として確立された。
  論文  参考訳（メタデータ） (2026-03-28T08:29:48Z)
• Near-Optimal Regret for KL-Regularized Multi-Armed Bandits [54.77408659142336]
  KL正規化目標に対するオンライン学習の統計的効率について検討する。 我々は、MABsのKL正規化後悔が$$非依存であることを示し、$tilde(sqrtKT)$とスケールする。
  論文  参考訳（メタデータ） (2026-03-02T18:17:33Z)
• Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
  スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。 イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
  論文  参考訳（メタデータ） (2026-02-03T09:06:53Z)
• LoRIF: Low-Rank Influence Functions for Scalable Training Data Attribution [62.830878652285406]
  トレーニングデータ属性は、モデルの予測に最も影響したトレーニング例を特定する。 LoRIFは、両方のボトルネックに対処するために、勾配の低ランク構造を利用する。 数百万のサンプルでデータセットでトレーニングされた0.1Bから70Bパラメータのモデルで、LoRIFは最大20$timesのストレージ削減とクエリ時の高速化を実現している。
  論文  参考訳（メタデータ） (2026-01-29T16:18:34Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• ImPress: Securing DRAM Against Data-Disturbance Errors via Implicit Row-Press Mitigation [1.3921736520874155]
  DRAM細胞はDDE(Data-Disturbance Errors)に感受性がある Rowhammerは、行が繰り返しアクティベートされたときに発生するよく知られたDDE脆弱性である。 Row-Press(RP)は、行を長時間開いているときに発生する新しいDDE脆弱性である。
  論文  参考訳（メタデータ） (2024-07-22T19:20:14Z)
• MOAT: Securely Mitigating Rowhammer with Per-Row Activation Counters [0.3580891736370874]
  DDR5仕様は、各行にインライン化されたカウンタを持つper-Row Activation Counting (PRAC) と、DRAMが緩和するのにより多くの時間を必要とする場合、メモリコントローラを止めるALERT-Back-Off (ABO) をサポートするように拡張されている。 PRAC+ABOはRowhammer保護の強力な進歩を示しているが、それらは単なるフレームワークであり、実際のセキュリティは実装に依存している。 ETH(Eligibility Threshold)とALERT Threshold(ALERT Threshold)の2つの内部しきい値を用いて、確実に安全な設計であるMOATを提案する。
  論文  参考訳（メタデータ） (2024-07-13T20:28:02Z)
• Toward Adversarial Robustness via Semi-supervised Robust Training [93.36310070269643]
  アドリラルな例は、ディープニューラルネットワーク(DNN)に対する深刻な脅威であることが示されている。 R_stand$ と $R_rob$ の2つの異なるリスクを共同で最小化することで、新しい防御手法であるロバストトレーニング(RT)を提案する。
  論文  参考訳（メタデータ） (2020-03-16T02:14:08Z)

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。