論文の概要: BARE-AI: Bit-Flip Attack Resilience in AI Hardware through Built-in Performance Monitors

• arxiv url: http://arxiv.org/abs/2610.08739v1
• Date: Tue, 06 Oct 2026 17:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.153153
• Title: BARE-AI: Bit-Flip Attack Resilience in AI Hardware through Built-in Performance Monitors
• Title（参考訳）: BARE-AI: 内蔵パフォーマンスモニタによるAIハードウェアのビットフリップ攻撃耐性
• Abstract要約: ディープニューラルネットワーク(DNN)は多くの安全クリティカルシステムに不可欠なものだが、ビットフリップ攻撃(BFA)に対して非常に脆弱である。 推論中にBFAを検出し、ローカライズし、緩和するランタイムフレームワークであるBARE-AIを提案する。
• 参考スコア（独自算出の注目度）: 5.875043442799833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Neural Networks (DNNs) are integral to many safety critical systems, yet they remain highly vulnerable to bit-flip attacks (BFAs), where a few memory level perturbations can drastically degrade accuracy. Existing defenses incur significant hardware overhead, depend on retraining, or fail against targeted flips. We propose BARE-AI, a runtime framework that detects, localizes, and mitigates BFAs during inference. BARE-AI introduces AI Performance Counters (APCs), lightweight hardware monitors in the accelerator datapath that capture per-layer activation statistics such as sparsity, entropy, kurtosis, and spectral shift. These are analyzed by the Predictive Unit for Layer Security Evaluation (PULSE), a compact detector trained offline as an ensemble of classifiers and realized on-chip as a small neural engine. For explainability and recovery, BARE-AI introduces an Activation Shift Index (ASI) for layer level fault localization and a z-score based repair that resets anomalous weights toward clean layer statistics. Across CNNs, Vision Transformers, and Large Language Models under random, targeted, adaptive, and magnitude based BFAs, BARE-AI achieves up to 98% detection accuracy on vision models and 74% to 95% on language models, restores near clean accuracy for CNNs and ViTs, and provides partial recovery for LLMs. Synthesized at 28nm, the monitoring infrastructure incurs under 3% energy, under 4% area, and about 10% latency overhead, with a configurable operating point that reduces latency overhead to about 6%. Unlike error correcting codes, whose redundancy grows with the number of tolerated flips, BARE-AI's overhead remains constant regardless of attack strength, making it attractive for resource constrained, safety critical edge applications such as autonomous systems, energy, and healthcare.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は多くの安全クリティカルシステムに不可欠なものだが、ビットフリップ攻撃(BFA)に対して非常に脆弱であり、メモリレベルの摂動によって精度が劇的に低下する可能性がある。 既存の防御は、ハードウェア上の重大なオーバーヘッドを発生させ、再訓練に依存するか、あるいは目標のフリップに失敗する。 推論中にBFAを検出し、ローカライズし、緩和するランタイムフレームワークであるBARE-AIを提案する。 BARE-AIは、アクセラレーションデータパス内の軽量ハードウェアモニタであるAI Performance Counters(APC)を導入し、スパーシリティ、エントロピー、カルトーシス、スペクトルシフトなどの層ごとのアクティベーション統計をキャプチャする。 これらは、分類器の集合としてオフラインで訓練され、小さなニューラルエンジンとしてオンチップを実現した小型検出器であるPredictive Unit for Layer Security Evaluation (PULSE)によって分析される。 説明可能性とリカバリのため、BARE-AIは層レベルの障害局所化のためのActivation Shift Index (ASI)を導入し、Zスコアベースの修復を行い、異常な重みをクリーンな層統計にリセットする。 BARE-AIは、ランダム、ターゲット、適応、および等級に基づくBFAの下のCNN、視覚変換器、および大規模言語モデル全体で、最大98%の視覚モデルでの検出精度、言語モデルでの74%から95%、CNNとViTのクリーンな精度に近い復元を実現し、LLMの部分的回復を提供する。 28nmで合成された監視インフラストラクチャは、3%のエネルギ、4%のエリア、約10%のレイテンシオーバーヘッドを発生させ、設定可能なオペレーティングポイントにより、遅延オーバーヘッドを約6%削減する。 許容されるフリップの数で冗長性が増大するエラー訂正コードとは異なり、BARE-AIのオーバーヘッドは攻撃強度に関係なく一定であり、自律システムやエネルギー、医療といったリソース制約のある安全クリティカルエッジアプリケーションには魅力的である。

関連論文リスト

• Test-Time Unlearning via Sparse Autoencoder [55.4290003355764]
  ARIAは,モデルウェイトをそのまま残して,世代が無視関連状態に入る場合にのみ,不要な知識へのアクセスをゲートするテスト時アンラーニング手法である。 ARIAは、思考モデルと命令モデルの両方にわたるウェイトベースベースラインに対する忘れがちなトレードオフを改善します。
  論文  参考訳（メタデータ） (2026-09-14T18:58:09Z)
• A Multi-Layer Cloud-IDS Pipeline with LLM and Adaptive Q-Learning Calibration [3.8389528716038055]
  クラウドコンピューティングのセキュリティは、階層化されたクラウドアーキテクチャ、動的環境、目に見えない、あるいはゼロデイの攻撃にさらされることによって、大きな関心事になっている。 本研究では,クラウド環境に適した強化学習を用いて,信頼性に配慮したマルチレベル侵入検知システムを構築する。
  論文  参考訳（メタデータ） (2026-05-15T12:19:34Z)
• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Lightweight LLMs for Network Attack Detection in IoT Networks [0.7879756662633696]
  Internet of Things(IoT)デバイスは、サイバー攻撃の規模と多様性を高め、従来の侵入検知システムに制限を課している。 本研究では、構造化テキスト変換、QLoRA(Quantized Low-Rank Adaptation)ファインチューニング、Retrieval-Augmented Generation(RAG)を統合したIoT攻撃検出のための軽量デコーダ専用大規模言語モデル(LLM)について検討する。
  論文  参考訳（メタデータ） (2026-01-21T18:52:26Z)
• Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
  時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。 本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:09:48Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A New Deep Boosted CNN and Ensemble Learning based IoT Malware Detection [0.0]
  セキュリティ問題は、特にIoT(Internet of Things)環境で、さまざまなタイプのネットワークで脅かされている。 我々は,新しいマルウェア検出フレームワークであるDeep Squeezed-Boosted and Ensemble Learning (DSBEL)を開発し,Squeezed-Boosted Boundary-Region Split-Transform-Merge (SB-BR-STM) CNNとアンサンブル学習を行った。
  論文  参考訳（メタデータ） (2022-12-15T18:14:51Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。