边缘 GPU 中的 CNN 架构提取
通过简单的模式识别分析,我们提出了一种针对传统 MLP 和 CNN 模型的提取方法,该方法可以运行在高端 32 位微控制器(Cortex-M7)上,并且相对于参数提取而言,攻击的复杂性相对较低,强调了对适应这种平台的强大内存和延迟要求的可行性保护的迫切需求。
Nov, 2023
本论文提出了一种基于功率侧信道的攻击方法,在不了解神经网络的详细参数的情况下,能够从收集到的功率跟踪中恢复输入图像。在 MNIST 数据集上,我们的攻击能够实现最高 89% 的识别准确率。
Mar, 2018
本文首次深入探讨利用缓存侧信道攻击的 DNN 指纹攻击的安全性分析,介绍了攻击工具 DeepRecon 以及元模型的构建,同时提出框架级别的防御技术来混淆攻击者的观察。
Oct, 2018
本文提出了一种基于现代 GPU 设计 GPU 高效网络的通用原则,通过简单且轻量级的方法搜索 GPU 高效网络结构,相较于大多数神经体系结构搜索方法(NAS),该结构具有简单且低计算开销的优势。通过该原则,我们设计出了一系列 GPU 高效网络,称为 GENets,该结构在 ImageNet 上获得了 81.3 % 的 top-1 准确率,比 EfficienNet 在 GPU 上快 6.4 倍。
Jun, 2020
通过利用卷积神经网络模型结构的空间和时间数据复用,以及架构提示信息,提出一种利用存储器侧通道信息来恢复数据流加速器中卷积神经网络模型结构的攻击方法。实验结果表明,该侧通道攻击可以恢复流行的卷积神经网络模型 Lenet、Alexnet 和 VGGnet16 的结构。
Nov, 2023
研究了在低计算能力和低内存设备上部署复杂的深度学习模型的优化方法以提高推断速度,证明了硬件特定的模型优化能够有效降低能源消耗和碳足迹。
Jun, 2024
我们的工作通过识别最合适的 GPGPU 用于 CNN 推理系统,提出了一种加快 DSE 过程的方法。我们开发了一种快速而精确的技术来预测 CNN 推理过程中的功耗和性能,MAPE 分别为 5.03%和 5.94%。这种方法使计算机架构师能够在开发初期估计功耗和性能,减少了大量原型的必要性。这不仅节省了时间和金钱,同时也改善了上市时间。
Aug, 2023
该研究利用非侵入式的侧信道信息,针对多层感知器神经网络,研究了如何逆向工程并获取该网络的构架及权重, 并展示了恢复输入所需的可行性和应对该攻击的几种缓解方法。
Oct, 2018
最近在图像数据处理方面的研究进展表明,通过机器学习,尤其是深度神经网络(DNNs)的使用,可以通过数据驱动的人工智能为辐射探测器和成像设备提供新的优化和性能增强方案。我们概述了光子源的数据生成、基于深度学习的图像处理方法以及深度学习加速的硬件解决方案。目前大多数现有的深度学习方法是离线训练的,通常需要大量的计算资源。然而,一旦训练完成,DNNs 可以实现快速推理速度,并且可以部署到边缘设备上。边缘计算是一种新趋势,它具有较低的能量消耗(数百瓦或更少)和实时分析能力。虽然以往通常用于边缘计算的基于电子的硬件加速器(从中央处理器(CPU)到应用特定集成电路(ASICs)的通用目的处理器)正不断接近性能极限,在延迟、能量消耗和其他物理约束方面存在限制。这些限制催生了下一代模拟神经形态硬件平台,如光学神经网络(ONNs),用于高并行、低延迟和低能量计算,以提高深度学习加速。
Nov, 2023