論文の概要: GlitchLab: A Hardware-in-the-Loop Optimizer for Physical Fault Injection

• arxiv url: http://arxiv.org/abs/2609.00502v1
• Date: Tue, 01 Sep 2026 00:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.168574
• Title: GlitchLab: A Hardware-in-the-Loop Optimizer for Physical Fault Injection
• Title（参考訳）: GlitchLab:物理欠陥注入のためのハードウェア・イン・ザ・ループ最適化
• Authors: Tanvir Hossain, Abhinav Mahadevan, Jasper Van Woudenberg, Rajesh Velegalati, Arindam Bhattacharyya,
• Abstract要約: 本稿では,遅延をタイミングゲートとして扱うオンラインハードウェア・イン・ザ・ループプラットフォームであるGlitchLabについて紹介する。 RL-Q (Q-learning-based reinforcement learning)、発見のための構造化バンディット、故障再現のためのモデルベースのポリシーであるStructured-Outcome-Based Adaptive Search (SOBAS)を実装している。
• 参考スコア（独自算出の注目度）: 1.0709435474996247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical fault injection can turn brief hardware disturbances into security failures such as key recovery, authentication bypass, and unintended control flow. Finding effective faults is difficult because many interacting parameters create a large search space, successful settings are sparse and target-dependent, and each hardware attempt provides limited feedback. Under fixed testing time, efficient search is therefore critical for assessing fault sensitivity. We present GlitchLab, an online hardware-in-the-loop platform that treats delay as a timing gate, voltage and pulse duration as severity controls, and hardware outcomes as structured feedback. It implements RL-Q (Q-learning-based reinforcement learning), a structured bandit for discovery, and Structured-Outcome-Based Adaptive Search (SOBAS), a model-based policy for fault reproduction. Both policies find a target fault in every AES, password, and control-flow campaign. On AES and control flow, they require 2-85x fewer attempts and 26-1,237x less time than the baselines; on password, both succeed while the baselines fail within 5,000 attempts. After discovery, SOBAS reproduces faults 7.3-21x more often, while RL-Q identifies 30% more distinct AES settings.
• Abstract（参考訳）: 物理障害注入は、短いハードウェア障害をキーリカバリ、認証バイパス、意図しない制御フローなどのセキュリティ障害に変換する。 多くの相互作用パラメータが大きな検索スペースを生成するため、効果的な障害を見つけることは困難であり、成功している設定はスパースでターゲット依存であり、各ハードウェアの試みは限られたフィードバックを提供する。 したがって、一定の試験時間下では、効率的な探索が障害感度を評価するために重要である。 本稿では,遅延をタイミングゲートとして扱うオンラインハードウェア・イン・ザ・ループプラットフォームであるGlitchLabについて紹介する。 RL-Q (Q-learning-based reinforcement learning)、発見のための構造化バンディット、故障再現のためのモデルベースのポリシーであるStructured-Outcome-Based Adaptive Search (SOBAS)を実装している。 どちらのポリシーも、AES、パスワード、制御フローのキャンペーンでターゲットの障害を見つける。 AESと制御フローでは、ベースラインよりも2-85倍、26-1,237倍の時間を要する。 発見後、SOBASは7.3-21倍の頻度で障害を再現し、RL-QはAES設定の30%を識別する。

関連論文リスト

• Deep Learning-Assisted Improved Differential Fault Attacks on Lightweight Stream Ciphers [0.43012765978447565]
  軽量暗号プリミティブは、特にIoT(Internet of Things)デバイスにおいて、リソース制約環境に広くデプロイされている。 一般的なアクセシビリティのため、これらのデバイスは物理的攻撃、特に障害攻撃に弱い。 ディープラーニングベースの暗号解析技術は有望な結果を示しているが、障害攻撃への応用は限定的だ。
  論文  参考訳（メタデータ） (2026-03-31T07:50:59Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• FastFI: Enhancing API Call-Site Robustness in Microservice-Based Systems with Fault Injection [8.84679612879872]
  フォールトインジェクションはソフトウェアの信頼性を評価するための重要なテクニックであり、システムの欠陥を積極的に検出することを可能にする。 FastFIは、マイクロサービスベースのシステムにおけるAPIコールサイトの堅牢性を高めるための、フォールトインジェクション誘導フレームワークである。 FastFIは、最先端のベースラインと比較して、エンドツーエンドのフォールトインジェクション時間を平均76.12%削減する。
  論文  参考訳（メタデータ） (2026-01-21T09:24:54Z)
• Lightweight Fault Detection Architecture for NTT on FPGA [0.8793721044482612]
  ポスト量子暗号(PQC)アルゴリズムは数学的に安全であり、量子攻撃に耐性がある。 天然の欠陥や意図的な障害注入のために、ハードウェア実装の機密情報を漏洩することができる。 本研究は,軽量で効率的な再計算に基づく故障検出モジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-05T04:23:50Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• DEER: A Delay-Resilient Framework for Reinforcement Learning with Variable Delays [26.032139258562708]
  本稿では,解釈性を効果的に向上し,ランダム遅延問題に対処するためのフレームワークである$textbfDEER (Delay-Resilient-Enhanced RL)$を提案する。 様々な遅延シナリオでは、トレーニングされたエンコーダは、追加の修正を必要とせずに、標準のRLアルゴリズムとシームレスに統合することができる。 その結果, DEER は定常およびランダムな遅延設定において最先端の RL アルゴリズムよりも優れていることを確認した。
  論文  参考訳（メタデータ） (2024-06-05T09:45:26Z)
• Quantum Circuit Discovery for Fault-Tolerant Logical State Preparation with Reinforcement Learning [1.1891349121931318]
  本稿では,コンパクトかつハードウェア対応のフォールトトレラント量子回路を自動検出する強化学習を提案する。 耐故障性論理状態作成のタスクにおいて、RLは最大15個の物理量子ビットのハードウェア制約を伴わない結果よりも、ゲートと補助量子ビットの少ない回路を発見する。
  論文  参考訳（メタデータ） (2024-02-27T18:55:13Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)

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。