論文の概要: ML-Assisted Power Side-Channel Attacks on ML Accelerators in Shared FPGAs

• arxiv url: http://arxiv.org/abs/2610.16164v1
• Date: Mon, 12 Oct 2026 04:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:21:49.841764
• Title: ML-Assisted Power Side-Channel Attacks on ML Accelerators in Shared FPGAs
• Title（参考訳）: 共有FPGAにおけるML加速器に対するML支援パワーサイドチャネル攻撃
• Abstract要約: クラウドプロバイダがField-Programmable Gate Arrays(FPGA)へのオンデマンドアクセスを提供 同じFPGA上で被害者と共同配置された敵は、被害者の機械学習アクセラレーターに対するパワーサイドチャネル攻撃をマウントすることができる。 この研究は、ImageNetスケールの入力をフルスケールで色再現する最初のオンチップTDCベースの攻撃である。
• 参考スコア（独自算出の注目度）: 8.75973564914162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud providers offer on-demand access to Field-Programmable Gate Arrays (FPGAs), and multi-tenant FPGAs let multiple users share one device to improve utilization. This sharing introduces security risks: an adversary co-located with a victim on the same FPGA can mount power side-channel attacks against the victim's Machine Learning (ML) accelerator. Prior on-chip attacks on such accelerators based on Time-to-Digital Converter (TDC) sensors have recovered only small, MNIST-scale grayscale inputs, including with ML-assisted reconstruction. This work is the first on-chip, TDC-based attack to produce full-scale color reconstructions of ImageNet-scale inputs, by combining ML-based upscaling and recoloring with TDC measurements of a remote victim's ML accelerator. We frame this as a proof-of-concept leakage study: the victim implements the first convolution layer of a CNN processing 224x224 ImageNet inputs on a shared FPGA, which we isolate to characterize the input-dependent leakage, and we quantify how much of each reconstruction reflects genuinely recovered information versus ML-generated post-processing. As a preliminary countermeasure, we study a pixel-substitution defense that replaces each pixel value, within a fixed intensity budget, with one of different Hamming Weight, producing a different TDC signature. We find that this transformation costs the victim's own model more accuracy than it costs the attacker and, because it applies the same fixed, publicly reconstructable mapping to every image, is largely defeated by an attacker retrained on the transformed data; robust defenses will require randomized or input-dependent transformations.
• Abstract（参考訳）: クラウドプロバイダは、Field-Programmable Gate Arrays(FPGA)へのオンデマンドアクセスを提供する。 同じFPGA上で被害者と共同で配置された敵は、被害者の機械学習(ML)アクセラレーターに対して、パワーサイドチャネルアタックをマウントすることができる。 TDC(Time-to-Digital Converter)センサーをベースとした加速器のオンチップ攻撃以前には、MLアシストリコンストラクションを含むMNISTスケールのグレースケールインプットのみを回復した。 この研究は、MLベースのアップスケーリングと再カラー化と、リモート犠牲者のMLアクセラレータのTDC測定を組み合わせることで、ImageNetスケールの入力をフルスケールで再現する、最初のオンチップのTDCベースの攻撃である。 被害者はCNN処理224x224のイメージネット入力を共有FPGA上に実装し、入力依存のリークを特徴付ける。 予備的な対策として,固定強度予算内で各画素値を置き換える画素置換防衛を,異なるハミング重みの1つに置き換えて,異なるTDCシグネチャを生成する。 この変換は、攻撃者よりも被害者自身のモデルの方が精度が高く、すべての画像に同じ固定された、パブリックに再構成可能なマッピングを適用するため、変換されたデータで再トレーニングされたアタッカーに大破され、堅牢な防御にはランダム化または入力依存の変換が必要になる。

関連論文リスト

• ARMOR-IMC: Adaptive Resource Mapping for Operational Robustness via Secure In-Memory Computing [1.8270156756248488]
  この研究は、モデルを再訓練することなく、アナログMCアクセラレーターを両方の脅威に対して強化する枠組みを示す。 実験により,PVによる故障は50%以上精度を低下させることができるが,本手法はベースライン付近の精度を回復し,相関に基づく電力分析攻撃の脅威を軽減する。
  論文  参考訳（メタデータ） (2026-07-12T21:59:41Z)
• SSDD: Single-Step Diffusion Decoder for Efficient Image Tokenization [56.12853087022071]
  スケーリングとトレーニングの安定性を向上させるために,新しい画素拡散デコーダアーキテクチャを導入する。 蒸留を用いて, 拡散復号器の性能を効率よく再現する。 これによりSSDDは、敵の損失なしに訓練された単一ステップ再構成に最適化された最初の拡散デコーダとなる。
  論文  参考訳（メタデータ） (2025-10-06T15:57:31Z)
• Multi-scale Image Super Resolution with a Single Auto-Regressive Model [40.77470215283583]
  視覚的自己回帰(VAR)モデリングの最近の進歩を利用して、画像超解像(ISR)に取り組む。 我々の知る限りでは、量子化器が様々なスケールで意味的に一貫した残留を強制するために訓練されたのはこれが初めてである。 本モデルでは, LR画像と超解像を, 1回の前方通過で, 目標値の半値と全値でデノマイズすることができる。
  論文  参考訳（メタデータ） (2025-06-05T13:02:23Z)
• Progressive Token Length Scaling in Transformer Encoders for Efficient Universal Segmentation [67.85309547416155]
  ユニバーサルセグメンテーションのための強力なアーキテクチャは、マルチスケールの画像特徴を符号化し、オブジェクトクエリをマスク予測にデコードするトランスフォーマーに依存している。 このようなモデルのスケーリングには効率性が優先されるため、最先端のMask2Formerでは、変換器エンコーダのみに計算の50%を使用しています。 これは、エンコーダ層ごとにすべてのバックボーン機能スケールのトークンレベルの完全な表現が保持されているためである。
  論文  参考訳（メタデータ） (2024-04-23T01:34:20Z)
• Transformer based Pluralistic Image Completion with Reduced Information Loss [72.92754600354199]
  トランスフォーマーをベースとした手法は,近年,イメージインペイントにおいて大きな成功を収めている。 彼らは各ピクセルをトークンとみなし、情報損失の問題に悩まされる。 我々はPUTと呼ばれる新しいトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T01:20:16Z)
• PixMIM: Rethinking Pixel Reconstruction in Masked Image Modeling [83.67628239775878]
  Masked Image Modeling (MIM) は Masked Autoencoders (MAE) と BEiT の出現によって有望な進歩を遂げた。 本稿では,画素再構成の観点からMIMの基本解析を行う。 我々は,2つの戦略を包含する極めて単純で効果的な方法,weelmethodを提案する。
  論文  参考訳（メタデータ） (2023-03-04T13:38:51Z)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)
• Reduce Information Loss in Transformers for Pluralistic Image Inpainting [112.50657646357494]
  入力情報を可能な限り保持するための新しいトランスフォーマーベースのフレームワーク"PUT"を提案する。 PUTは、特に大きなマスキング領域と複雑な大規模データセットにおいて、画像の忠実性に関する最先端の手法を大幅に上回る。
  論文  参考訳（メタデータ） (2022-05-10T17:59:58Z)
• ResT: An Efficient Transformer for Visual Recognition [5.807423409327807]
  本稿では、画像認識のための汎用バックボーンとして機能する、ResTと呼ばれる効率的なマルチスケール視覚変換器を提案する。 提案したResTは、最近の最先端のバックボーンよりも大きなマージンで、ResTの強力なバックボーンとしての可能性を示している。
  論文  参考訳（メタデータ） (2021-05-28T08:53:54Z)

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。