論文の概要: Protecting Floating-Point Computation for DNN Binaries with MBA Obfuscation

• arxiv url: http://arxiv.org/abs/2607.17603v2
• Date: Tue, 21 Jul 2026 02:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 14:48:36.422156
• Title: Protecting Floating-Point Computation for DNN Binaries with MBA Obfuscation
• Title（参考訳）: MBAによるDNNバイナリの浮動小数点演算の保護
• Abstract要約: ディープニューラルネットワーク(DNN)は、現代のコンピューティングシステムの基本コンポーネントとなっている。 DNNモデルは実行可能ファイルにコンパイルされ、ローカルデバイスにデプロイされる。 これにより、モデルはモデル盗難に晒され、敵はリバースエンジニアリング技術を通じてプロプライエタリな資産を回収できる。 DNNバイナリにおける浮動小数点演算を保護する難読化フレームワークFLOBを提案する。
• 参考スコア（独自算出の注目度）: 13.024953725895772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) have become a foundational component of modern computing systems with a wide range of applications, such as computer vision, edge intelligence, etc. For the sake of low latency and data privacy, DNN models are increasingly compiled into executables and deployed on local devices. However, that exposes the models to model theft, enabling adversaries to recover proprietary assets via reverse engineering techniques. While code obfuscation naturally emerges for protecting executables from reverse engineering, existing schemes are primarily designed for traditional programs, focusing on complex control flow structures and integer-based operations. They are fundamentally inappropriate for DNN binaries, which exhibit relatively simple code structures and heavily rely on floating-point computation. In this paper, we propose FLOB, an obfuscation framework that protects floating-point computations in DNN binaries using Mixed Boolean-Arithmetic (MBA) transformations. Our approach lifts floating-point values into a higher-precision binary expansion space and performs MBA transformations at the representation level. The computation is carried out entirely in the lifted space, and the final result is then projected back to the target precision, yielding outputs that are semantically equivalent under the original floating-point format, without introducing additional rounding error. The experimental results show that FLOB outperforms the state-of-the-art obfuscation schemes against existing reverse engineering analyzers and deobfuscators, while preserving computational correctness without introducing additional numerical error, allowing flexible trade-off between protection and performance. Specifically, FLOB reduces the operator recovery rate to 4.51% on average, achieving a 32.82 percentage-point reduction compared to existing methods.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、コンピュータビジョンやエッジインテリジェンスなど、幅広いアプリケーションを持つ現代のコンピューティングシステムの基盤コンポーネントとなっている。 低レイテンシとデータプライバシのために、DNNモデルはますます実行可能ファイルにコンパイルされ、ローカルデバイスにデプロイされる。 しかし、それによってモデルが盗難をモデル化でき、敵はリバースエンジニアリング技術を使って独自の資産を回収できる。 コード難読化は、リバースエンジニアリングから実行可能ファイルを保護するために自然に現れるが、既存のスキームは主に、複雑な制御フロー構造と整数ベースの操作に焦点を当てた、伝統的なプログラムのために設計されている。 比較的単純なコード構造を持ち、浮動小数点演算に大きく依存しているDNNバイナリには基本的に不適切である。 本稿では,DNNバイナリにおける浮動小数点演算を,MBA変換を用いて保護する難読化フレームワークFLOBを提案する。 提案手法は,浮動小数点値を高精度なバイナリ展開空間に引き上げ,表現レベルでMBA変換を行う。 計算は完全に持ち上げられた空間で行われ、最終的な結果は目標精度に投影され、追加の丸め誤差を導入することなく、元の浮動小数点形式で意味的に等価な出力が得られる。 実験の結果,FLOBは,既存のリバースエンジニアリングアナライザやデオブフューシエータに対して,数値誤差を伴わずに計算精度を保ちながら,現状の難読化方式よりも優れており,保護と性能の両立が可能であることがわかった。 具体的には、FLOBは演算子の回復率を平均4.51%に下げ、既存の方法と比較して32.82ポイントの削減を実現している。

関連論文リスト

• CForce: Boosting Parallel Decoding for dLLMs via Consistency Forcing [30.73559220728677]
  拡散大言語モデル(dLLM)は、単一の前方通過で複数のマスクを予測することで言語生成を加速する。 既存のdLLMは、アグレッシブな並列性戦略の下で初期の認知段階において信頼性の低い予測に悩まされる。 我々は,早期のマスク予測を後段のものと一致させる蒸留法であるdLLMsの一貫性強制(CForce)を提案する。
  論文  参考訳（メタデータ） (2026-08-14T03:52:33Z)
• Deeper is Not Always Better: Mitigating the Alignment Tax via Confident Layer Decoding [92.1521161575198]
  我々は、最も信頼性の高いニアファイナル層を動的に選択する、トレーニング不要なデコーディング戦略であるConfident Decodingを紹介する。 密集型および混合型LLMの実験は、挑戦的推論ベンチマークにおいて一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-06-20T07:03:26Z)
• Re-evaluating Confidence Remasking in Masked Diffusion Language Models [13.69108579131071]
  代表的ポストホックリマキング手法であるWINOの実証的評価を再考する。 信頼に基づくリメイキングはエラーを軽減することができるが、信頼に基づくリメイキングのために以前報告された多様性の崩壊をさらに悪化させる。
  論文  参考訳（メタデータ） (2026-06-10T15:41:26Z)
• AdversarialCoT: Single-Document Retrieval Poisoning for LLM Reasoning [115.3243260783674]
  Retrieval-augmented Generation (RAG) は、外部文書を取得することにより、大きな言語モデル(LLM)推論を強化する。 攻撃者が悪意のあるコンテンツを検索コーパスに注入するRAGにおける知識ベース中毒攻撃について検討した。 AdversarialCoTは、コーパス内の1つのドキュメントだけを毒化するクエリ固有の攻撃である。
  論文  参考訳（メタデータ） (2026-04-14T02:10:23Z)
• Thinking by Subtraction: Confidence-Driven Contrastive Decoding for LLM Reasoning [58.331709210563616]
  サブトラクションによる思考は、信頼主導のコントラスト的デコーディングアプローチである。 低信頼トークンの小さなサブセットは、誤りの推論と不要な出力拡大に不当に寄与する。 信頼駆動型コントラストデコーディング(Confidence-Driven Contrastive Decoding)は,デコーディング中の低信頼トークンを検出し,それらの位置で介入する。
  論文  参考訳（メタデータ） (2026-02-20T14:13:22Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• BEP: A Binary Error Propagation Algorithm for Binary Neural Networks Training [21.908847701590428]
  バイナリニューラルネットワーク(BNN)は、計算複雑性、メモリフットプリント、エネルギー消費を大幅に削減する。 しかしながら、勾配に基づく最適化によるBNNのトレーニングは、変数の離散的な性質のため、依然として困難である。 本稿では、バックプロパゲーション・チェーン・ルールの原則化された離散的アナログを確立するための最初の学習アルゴリズムであるBEP(Binary Error Propagation)を提案する。
  論文  参考訳（メタデータ） (2025-12-03T19:03:55Z)
• ThinkLess: A Training-Free Inference-Efficient Method for Reducing Reasoning Redundancy [8.962703809086628]
  ThinkLessは推論効率のよいフレームワークで、推論生成を早期に終了し、モデルを変更することなく出力品質を維持する。 我々はThinkLessが完全長のChain-of-Thought(CoT)デコードに匹敵する精度を実現し,デコード時間とメモリ消費を大幅に削減することを示した。
  論文  参考訳（メタデータ） (2025-05-21T15:58:16Z)
• Jasmine: Harnessing Diffusion Prior for Self-supervised Depth Estimation [69.15908715490362]
  ジャスミン(Jasmine)は、単分子深度推定のための安定拡散に基づく自己教師型フレームワークである。 SDの視覚的先行性を利用して、教師なし予測のシャープネスと一般化を強化する。 KITTIベンチマークでSoTAのパフォーマンスを達成し、複数のデータセットにまたがる優れたゼロショット一般化を示す。
  論文  参考訳（メタデータ） (2025-03-20T07:15:49Z)
• Censor Resistant Instruction Independent Obfuscation for Multiple Programs [0.0]
  本研究は,複数プログラムの難読化を実現する命令デコリレーションとして,難読化に関するこれまでの研究を基盤とし,最適化するものである。 センサ耐性計算の特性をさらに向上する。
  論文  参考訳（メタデータ） (2025-02-06T15:40:58Z)
• Training Multi-Layer Binary Neural Networks With Local Binary Error Signals [3.7740044597960316]
  多層2層ニューラルネットワーク(BNN)のための完全二分法および勾配自由学習アルゴリズムを提案する。 提案アルゴリズムは局所的な二分誤差信号と二分重更新に依存しており、シナプス的メタ可塑性機構として機能する整数値の隠蔽重みを用いる。 実験の結果、既存の完全バイナリ単一層状態のソリューションに比べて、テスト精度は最大で+35.47%向上した。
  論文  参考訳（メタデータ） (2024-11-28T09:12:04Z)
• Efficient Privacy-Preserving Convolutional Spiking Neural Networks with FHE [1.437446768735628]
  ホモモルフィック暗号化(FHE)は、プライバシ保護計算の鍵となる技術である。 FHEは連続非ポリノミカル関数の処理に制限がある。 準同型SNNのためのFHE-DiCSNNというフレームワークを提案する。 FHE-DiCSNNの精度は97.94%で、元のネットワークの精度98.47%に比べて0.53%しか失われていない。
  論文  参考訳（メタデータ） (2023-09-16T15:37:18Z)
• Semantic-Preserving Adversarial Code Comprehension [75.76118224437974]
  本稿では,セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・アタック(SPACE)を提案する。 実験と分析により、SPACEは、コードに対するPrLMのパフォーマンスを高めながら、最先端の攻撃に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-12T10:32:51Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• FTBNN: Rethinking Non-linearity for 1-bit CNNs and Going Beyond [23.5996182207431]
  本稿では,二項化畳み込み過程が,その誤差を最小限に抑えるために線形性を増大させ,BNNの識別能力を損なうことを示す。 我々は、その矛盾を修正するために、適切な非線形モジュールを再検討し、調整することで、最先端のパフォーマンスを実現する強力なベースラインに繋がる。
  論文  参考訳（メタデータ） (2020-10-19T08:11:48Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• Distillation Guided Residual Learning for Binary Convolutional Neural Networks [83.6169936912264]
  Binary CNN(BCNN)とFloating Point CNN(FCNN)のパフォーマンスギャップを埋めることは難しい。 我々は,この性能差が,BCNNとFCNNの中間特徴写像の間にかなりの残差をもたらすことを観察した。 性能ギャップを最小限に抑えるため,BCNN は FCNN と同様の中間特徴写像を生成する。 このトレーニング戦略、すなわち、FCNNから派生したブロックワイド蒸留損失で各バイナリ畳み込みブロックを最適化することで、BCNNをより効果的に最適化する。
  論文  参考訳（メタデータ） (2020-07-10T07:55:39Z)
• Unlocking New York City Crime Insights using Relational Database Embeddings [1.5469452301122173]
  このバージョンは、著者が提出時点でライセンスに同意する権利を持っていなかったため、arXiv管理者によって取り下げられた。 このバージョンは、著者が提出時点でライセンスに同意する権利を持っていなかったため、arXiv管理者によって取り下げられた。
  論文  参考訳（メタデータ） (2020-05-19T17:46:34Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。