論文の概要: BiShield-TEE: On the (In-)Security of Unilateral Weight Obfuscation in On-Device TEE-Shielded LLM Partition

• arxiv url: http://arxiv.org/abs/2610.21565v1
• Date: Thu, 15 Oct 2026 09:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.303117
• Title: BiShield-TEE: On the (In-)Security of Unilateral Weight Obfuscation in On-Device TEE-Shielded LLM Partition
• Title（参考訳）: BiShield-TEE:オンデバイスTEE-Shielded LLMパーティションにおける片側軽量難読化の安全性について
• Abstract要約: TEEベースのパラメータ難読化は、出力側のみを難読化する一方的な行列変換に依存する。 我々は,入力次元と出力次元の連成難読化により,両眼でEmphAmbiguous Solutionsを誘導するtextscBiShield-TEEを提案する。 実験により、textscBiShield-TEEは攻撃精度をフルシールドのブラックボックスベースラインに制限し、実際のハードウェアにおける従来の手法よりも高い推論効率を達成することが示された。
• 参考スコア（独自算出の注目度）: 19.532068463164183
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: On-device deployment of large language models (LLMs) is increasingly adopted due to latency and privacy requirements, but exposes proprietary models to reverse engineering and intellectual property theft. Trusted Execution Environments (TEEs) provide hardware-enforced isolation for on-device inference, yet most TEE-based parameter obfuscation relies on unilateral matrix transformations that obfuscate only output side. We identify a vulnerability in this design, termed the \emph{Solution Determinacy Property (SDP)}: the obfuscation secret is uniquely determined, exposing the structure of the true key and enabling attackers to break the protection. Under our attacks, representative methods \textsc{GroupCover} and \textsc{ArrowCloak} are reduced to negligible protection, with attack accuracy reaching over $2.4\times$ the full-shielding black-box baseline and recovering near-complete model functionality.To address this vulnerability, we propose \textsc{BiShield-TEE}, a bilateral framework that induces \emph{Ambiguous Solutions} through joint obfuscation of input and output dimensions, hiding the true key among many equally valid candidates. Experiments across diverse models and datasets show that \textsc{BiShield-TEE} confines attack accuracy to the full-shielding black-box baseline, while achieving higher inference efficiency than prior methods on real hardware.Our code is available at https://github.com/laduiw/BiShield-TEE.
• Abstract（参考訳）: 大きな言語モデル(LLM)のオンデバイス展開は、レイテンシとプライバシ要件のためにますます採用されているが、エンジニアリングと知的財産権の盗難を逆転するためにプロプライエタリなモデルを公開している。 Trusted Execution Environments (TEEs) は、デバイス上の推論のためにハードウェアで強化された分離を提供するが、ほとんどのTEEベースのパラメータ難読化は、出力側のみを難読化する一方的な行列変換に依存している。 難読化秘密は、真の鍵の構造を公開し、攻撃者が保護を破ることを可能にし、一意に決定される。 我々の攻撃下では、代用メソッド \textsc{GroupCover} と \textsc{ArrowCloak} は無視可能な保護に減らされ、攻撃精度は2.4\times$で全シールドブラックボックスベースラインに到達し、ほぼ完全なモデル機能を取り戻す。この脆弱性に対処するために、入力と出力の次元を共用して \emph{Ambiguous Solutions} を誘導する双方向フレームワークである \textsc{BiShield-TEE} を提案する。 さまざまなモデルとデータセットにわたる実験によると、 \textsc{BiShield-TEE} は攻撃精度を全シールドのブラックボックスベースラインに制限し、実際のハードウェア上の以前のメソッドよりも高い推論効率を達成する。

関連論文リスト

• SpliTEE: Improving LLM Inference on Trusted Hardware with Differentially Private GPU Outsourcing [0.8446353882843086]
  大きな言語モデル(LLM)に提供されるユーザプロンプトには、リモートでデプロイされたモデルによって誤用される可能性のある機密情報やプライベート情報が含まれる可能性がある。 ユーザプロンプトを保護する1つの方法は、信頼された実行環境(TEE)内でLLMを実行することである。 我々は,Intel TDX を用いてアーキテクチャを実装し,Llama-3.2-3B と Qwen3-4B の2つの LLM を用いてアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2026-09-14T04:55:17Z)
• Vulnerabilities in Partial TEE-Shielded LLM Inference with Precomputed Noise [3.4283426499279037]
  サードパーティデバイス上の大規模言語モデル(LLM)は、モデル知的財産権を保護する新しい方法を必要とする。 TEEは有望なソリューションを提供するが、パフォーマンスの限界は重大な妥協につながる可能性がある。 この主流設計パターンは、古典的な暗号の欠陥、秘密鍵の再利用をもたらすことを実証する。
  論文  参考訳（メタデータ） (2026-02-11T17:56:05Z)
• MirageNet:A Secure, Efficient, and Scalable On-Device Model Protection in Heterogeneous TEE and GPU System [8.936421130707204]
  モデルトレーニングのコストとユーザエクスペリエンスの要件が高ければ、モデルのプライバシとランタイムオーバーヘッドのバランスをとることが重要です。 本稿では,モデルの機密性や整合性を保ちながら,低レイテンシと高精度を実現する新しい難読化手法であるConvShatterを提案する。
  論文  参考訳（メタデータ） (2026-01-20T10:39:09Z)
• Amulet: Fast TEE-Shielded Inference for On-Device Model Protection [15.936694312917512]
  オンデバイス機械学習(ML)では、モデルのプライバシに関する新たなセキュリティ上の懸念が導入されている。 ユーザデバイス上で価値あるトレーニングされたMLモデルをストアすることは、敵による潜在的な抽出に公開する。 MLモデル保護のための高速TEEシールドオンデバイス推論フレームワークであるAmuletを提案する。
  論文  参考訳（メタデータ） (2025-12-08T12:22:51Z)
• TensorShield: Safeguarding On-Device Inference by Shielding Critical DNN Tensors with TEE [15.680713503694951]
  既存の知恵は信頼された実行環境(TEE)内にモデルをデプロイする 本論文は,MS と MIA を完全に防御しながらモデルの部分テンソルを遮蔽する,最初の効率的なデバイス上の推論作業であるShield とのギャップを埋めるものである。
  論文  参考訳（メタデータ） (2025-05-28T18:00:24Z)
• AdaShield: Safeguarding Multimodal Large Language Models from Structure-based Attack via Adaptive Shield Prompting [54.931241667414184]
  textbfAdaptive textbfShield Promptingを提案する。これは、MLLMを構造ベースのジェイルブレイク攻撃から守るための防御プロンプトで入力をプリペイドする。 我々の手法は、構造に基づくジェイルブレイク攻撃に対するMLLMの堅牢性を一貫して改善することができる。
  論文  参考訳（メタデータ） (2024-03-14T15:57:13Z)
• Defending Large Language Models against Jailbreak Attacks via Semantic Smoothing [107.97160023681184]
  適応型大規模言語モデル(LLM)は、ジェイルブレイク攻撃に対して脆弱である。 提案するSEMANTICSMOOTHは,与えられた入力プロンプトのセマンティック変換されたコピーの予測を集約するスムージングベースのディフェンスである。
  論文  参考訳（メタデータ） (2024-02-25T20:36:03Z)
• Weak-to-Strong Jailbreaking on Large Language Models [92.52448762164926]
  大規模言語モデル(LLM)は、ジェイルブレイク攻撃に対して脆弱である。 既存のジェイルブレイク法は計算コストがかかる。 我々は、弱々しく強固な脱獄攻撃を提案する。
  論文  参考訳（メタデータ） (2024-01-30T18:48:37Z)
• HasTEE+ : Confidential Cloud Computing and Analytics with Haskell [50.994023665559496]
  信頼性コンピューティングは、Trusted Execution Environments(TEEs)と呼ばれる特別なハードウェア隔離ユニットを使用して、コテナントクラウドデプロイメントにおける機密コードとデータの保護を可能にする。 低レベルのC/C++ベースのツールチェーンを提供するTEEは、固有のメモリ安全性の脆弱性の影響を受けやすく、明示的で暗黙的な情報フローのリークを監視するための言語構造が欠如している。 私たちは、Haskellに埋め込まれたドメイン固有言語(cla)であるHasTEE+を使って、上記の問題に対処します。
  論文  参考訳（メタデータ） (2024-01-17T00:56:23Z)

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。