PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10909v1cs.CR

임베디드 머신러닝에 대한 전력 부채널 멤버십 추론 공격

Power Side-Channel Membership Inference Attack on Embedded Machine Learning

멤버십 추론 공격(MIA)은 특정 샘플이 타깃 모델의 학습(training)에 사용되었는지를 판별함으로써 머신러닝(ML) 학습 데이터의 프라이버시를 위협합니다. 기존의 MIA는 예측 확률부터 예측 라벨에 이르는 모델 출력에 의존하지만, 이러한 가정은 출력이 제한적이거나 접근할 수 없는 온디바이스 ML 시스템에서는 제약이 될 수 있습니다. 그러나 모델 출력을 차단하더라도 이를 생성하는 데이터 의존적 연산 자체가 제거되는 것은 아니며, 물리적 부채널을 통해 관측 가능한 상태로 남아있을 수 있습니다. 본 논문에서는 예측 확률이나 심지어 예측 라벨조차 요구하지 않고 전력 파형(power trace)으로부터 직접 멤버십을 추론할 수 있는 임베디드 ML 모델 대상 전력 부채널 멤버십 추론 공격인 PSCMIA를 제시합니다. 다양한 데이터셋(MNIST, FMNIST, CIFAR10, CINIC10), 완전 연결(FC) 및 합성곱 신경망(CNN) 아키텍처, 그리고 두 가지 임베디드 플랫폼(STM32F3, XMEGA)에 걸쳐 PSCMIA를 평가합니다. PSCMIA는 FC 모델에서 최대 0.907의 ROC-AUC 값을 달성합니다. CNN 모델의 경우, PSCMIA와 확률 벡터 기반 섀도우 MIA 간의 ROC-AUC 격차는 0.006에서 0.116 수준입니다. FC 및 CNN 전반의 평가에서 PSCMIA는 16개 모델-데이터셋-하드웨어 구성 중 11개에서 라벨 전용 MIA보다 우수한 성능을 보이며, 기존 모델 출력을 사용할 수 없는 환경에서도 의도치 않은 전력 부채널 누설을 통한 물리적 실행이 멤버십 정보를 노출할 수 있음을 입증합니다.

arXiv:2610.10766v1cs.CR

CPU-Auth: DVFS 부채널을 통한 인증용 기기 핑거프린팅

CPU-Auth: Device Fingerprinting for Authentication via DVFS Side-Channel

효과적인 인증의 부재는 보호된 정보에 대한 무단 접근, 신원 도용, 사기 등 수많은 보안 및 개인정보 침해 사고로 이어졌습니다. 이러한 공격을 완화하는 한 가지 접근 방식은 사용자가 인증을 위해 여러 정보를 제공해야 하는 다중 요소 인증(MFA)입니다. 보조 인증 요소로는 SMS 문자 인증 코드, 생체 인식, 토큰 등이 있습니다. 이들은 각각 적어도 하나의 뚜렷한 결함을 가지고 있습니다. SMS는 보안이 매우 취약한 것으로 악명 높고, 생체 인식은 민감한 개인정보에 대한 접근에 의존하며, 토큰은 제3자 제공업체(예: OAuth 제공업체)에 의존해야 합니다. 본 연구에서는 컴퓨팅 기기 CPU의 물리적 특성에서 나타나는 고유한 편차에 기반한 새로운 인증 메커니즘인 CPU-Auth를 탐구합니다. 브라우저 내에서 동적 전압 및 주파수 스케일링(DVFS) 거버너의 동작을 원격으로 측정함으로써, CPU의 고유한 특성을 활용하여 CPU-Auth에 사용될 하드웨어 기반 기기 핑거프린트를 구축할 수 있습니다. CPU-Auth의 성능은 거리 기반 기법과 심층 학습 기법을 사용하여 50,000개 이상의 데이터 트레이스에서 평가됩니다. CPU-Auth는 더 큰 연구 프로젝트의 일환이며, 본 보고서에 제시된 결과는 해당 프로젝트에 본 연구 그룹의 구성원들이 기여한 내용만을 반영합니다.

arXiv:2607.20723v1cs.CR

Leaky Language Models: 토큰별 타이밍을 통한 아키텍처 및 추론 최적화 탈취

Leaky Language Models: Stealing Architecture and Inference Optimizations via Per-Token Timing

본 연구는 LeakyLMs를 제시한다. 이는 프로덕션 언어 모델로부터 독점 모델, 아키텍처, 배포 정보를 유출하는 일련의 공격이다. LeakyLMs는 원격 API를 통한 상호작용만으로도 토큰 생성 타이밍만으로 핵심 모델 및 배포 세부 정보를 추론할 수 있음을 최초로 입증한다. LeakyLMs는 두 가지 핵심 공격을 도입한다. 첫 번째 공격은 추론 최적화와 배포 전략을 겨냥한다. 예를 들어, 본 공격은 널리 배포된 추론 시점 최적화인 speculative decoding 사용 여부를 탐지하고, 파이프라인에서 사용되는 draft 모델의 컨텍스트 길이까지 식별한다. 측정 결과 Google Gemini Flash 2.5는 약 128K 토큰의 draft 컨텍스트 윈도우를 갖는 speculative decoding을 사용하는 것으로 나타났다. 두 번째 공격은 트랜스포머 레이어 수, hidden dimension 크기, 어텐션 헤드 수를 포함한 핵심 아키텍처 속성을 복원한다. 이를 위해 LeakyLMs는 최신 NVIDIA GPU에서 토큰 생성 타이밍에 대한 상세하고 정확한 모델을 구축하여, 지연 시간이 모델 구성 및 하드웨어 매개변수에 따라 어떻게 스케일링되는지 특성화한다. 공격은 이 타이밍 모델을 사용하여 아키텍처 공간을 탐색한다. Llama 모델 실험에서 거의 정확한 아키텍처 구성이 상위 10개 추측 중 90% 이상의 경우에 나타난다.