論文の概要: Model Exposure on One Device Endangers Others: Rethinking Edge Neural Network Security across Devices

• arxiv url: http://arxiv.org/abs/2610.27152v1
• Date: Mon, 19 Oct 2026 18:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.459857
• Title: Model Exposure on One Device Endangers Others: Rethinking Edge Neural Network Security across Devices
• Title（参考訳）: デバイス間のエッジニューラルネットワークセキュリティの再考
• Abstract要約: 本稿では,モデル難読化によるデバイス上のモデル間の対角移動性を低減するための防衛フレームワークであるVeilNNを提案する。 VeilNNはクロスノード攻撃を効果的に防御し、4つの敵攻撃タイプで49.19%、81.19%の平均的な防衛成功を達成し、既存の防御よりも33.16%以上改善している。
• 参考スコア（独自算出の注目度）: 17.531243143054365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks (NNs) are increasingly deployed on edge devices such as mobile and IoT platforms, offering low latency and improved privacy compared to cloud-based deployment. However, on-device models embedded in mobile applications can be unpacked and exposed to adversaries, enabling cross-node attacks in centrally distributed ecosystems, where adversarial examples crafted on one compromised device transfer effectively to other nodes sharing the same models. To address this threat, we propose VeilNN, a defense framework that reduces adversarial transferability across on-device models via model obfuscation. The core idea of VeilNN is to introduce controlled model diversity while preserving original task functionality. Specifically, VeilNN applies stealthy and irreversible obfuscation at both the architectural and parameter levels through network cell obfuscation and layer assembling, and is applicable to diverse NN architectures, including MLPs, CNNs, and Vision Transformers. Extensive experiments demonstrate that VeilNN effectively defends against cross-node attacks, achieving an average defense success of 49.19% and up to 81.19% across four adversarial attack types, with more than 33.16% improvement over existing defenses.
• Abstract（参考訳）: ニューラルネットワーク(NN)は、モバイルやIoTプラットフォームなどのエッジデバイスにますますデプロイされ、クラウドベースのデプロイメントに比べてレイテンシが低く、プライバシも向上している。 しかしながら、モバイルアプリケーションに埋め込まれたオンデバイスモデルは、アンパックされ、敵に公開され、中央に分散したエコシステムにおけるクロスノード攻撃を可能にします。 この脅威に対処するために、モデル難読化を介してデバイス上のモデル間での敵の移動可能性を低減する防衛フレームワークであるVeilNNを提案する。 VeilNNの中核となる考え方は、オリジナルのタスク機能を保持しながら、制御されたモデルの多様性を導入することである。 具体的には、VeilNNは、ネットワークセルの難読化と層組み立てを通じて、アーキテクチャレベルとパラメータレベルの両方でステルス性と不可逆の難読化を適用し、MPP、CNN、ビジョントランスフォーマーなどの様々なNNアーキテクチャに適用できる。 大規模な実験では、VeilNNはクロスノード攻撃に対して効果的に防御し、4種類の敵攻撃に対して49.19%、81.19%の防衛成功を達成し、既存の防御よりも33.16%以上改善している。

関連論文リスト

• ADAGE: Active Defenses Against GNN Extraction [27.54057819183217]
  我々は、GNN抽出(ADAGE)に対する第1次、第1次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第2次、第 ADAGEは、モデルの全機能を盗むには、その振る舞いを漏らすために非常に多様なクエリが必要であるという観察に基づいている。 当社の防衛は、このクエリの多様性を監視し、蓄積されたリークが増加するにつれて、徐々に変化するアウトプットを監視します。
  論文  参考訳（メタデータ） (2025-02-27T10:56:11Z)
• Reformulation is All You Need: Addressing Malicious Text Features in DNNs [53.45564571192014]
  本稿では,敵攻撃とバックドア攻撃の両方に対して有効な,統一的かつ適応的な防御フレームワークを提案する。 我々のフレームワークは、様々な悪意あるテキスト機能において、既存のサンプル指向の防御基準よりも優れています。
  論文  参考訳（メタデータ） (2025-02-02T03:39:43Z)
• SHEATH: Defending Horizontal Collaboration for Distributed CNNs against Adversarial Noise [1.0415834763540737]
  本稿では,適応脅威ハンドリング(SHEATH)を用いたセキュア水平エッジのための新しいフレームワークを提案する。 SHEATHは、HCエッジアーキテクチャにおけるCNNモデルの完全な知識を必要とせずに、脆弱性に対処することを目指している。 本評価は,多様なCNN構成におけるSHEATHの適応性と有効性を示すものである。
  論文  参考訳（メタデータ） (2024-09-25T18:45:04Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Mitigating Adversarial Effects of False Data Injection Attacks in Power Grid [7.64743281201963]
  Deep Neural Networksの利点は、False Data Injection Attacks (FDIA)を検出するために電力グリッドに取り入れられている。 本稿では, ランダム化を利用して, 入力をパディングすることで, 逆効果を緩和するフレームワークを提案する。 IEEE 14-bus, 30-bus, 118-bus, 300-bus を用いたシミュレーションにより, フレームワークの良好な結果を示す。
  論文  参考訳（メタデータ） (2023-01-29T16:50:16Z)
• Publishing Efficient On-device Models Increases Adversarial Vulnerability [58.6975494957865]
  本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。 まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。 次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
  論文  参考訳（メタデータ） (2022-12-28T05:05:58Z)
• General Adversarial Defense Against Black-box Attacks via Pixel Level and Feature Level Distribution Alignments [75.58342268895564]
  我々は,DGN(Deep Generative Networks)と新たなトレーニング機構を併用して,分散ギャップを解消する。 トレーニングされたDGNは、画素値の変換により、敵サンプルとターゲットDNNのクリーンな分布を整列する。 我々の戦略はブラックボックス攻撃に対するその独特な効果と汎用性を実証している。
  論文  参考訳（メタデータ） (2022-12-11T01:51:31Z)
• Mixture GAN For Modulation Classification Resiliency Against Adversarial Attacks [55.92475932732775]
  本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。 GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。 シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-29T22:30:32Z)
• A Data Augmentation-based Defense Method Against Adversarial Attacks in Neural Networks [7.943024117353317]
  そこで本研究では,実生活制約に適合した完全ホワイトボックス攻撃を効果的に無効化する軽量防衛手法を開発した。 我々のモデルは、50発のBPDAによる高度な適応攻撃に耐えることができ、攻撃成功率をほぼゼロに抑えながら、目標モデルが約80%の精度を維持するのに役立ちます。
  論文  参考訳（メタデータ） (2020-07-30T08:06:53Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)
• DeepHammer: Depleting the Intelligence of Deep Neural Networks through Targeted Chain of Bit Flips [29.34622626909906]
  量子化ディープニューラルネットワーク(DNN)に対するハードウェアベースの最初の攻撃を実演する。 DeepHammerは、数分で実行時にDNNの推論動作を修正することができる。 私たちの研究は、将来のディープラーニングシステムにセキュリティメカニズムを組み込む必要性を強調しています。
  論文  参考訳（メタデータ） (2020-03-30T18:51:59Z)

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。