arXiv:2610.10766v1 cs.CR

CPU-Auth: DVFS 부채널을 통한 인증용 기기 핑거프린팅

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

Ryan Swift

제출 2026-10-07

저자 비고

arXiv Comments

13 pages

한국어 초록

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.

원문 초록

Lack of effective authentication has resulted in numerous security and privacy breaches, including unauthorized access to protected information, identity theft, and fraud. One approach to mitigating such attacks is Multi-Factor Authentication (MFA), in which users must provide multiple pieces of information for authentication. Some secondary authentication factors include SMS text verification codes, biometrics, and tokens. Each contains at least one notable flaw: SMS is notoriously insecure; biometrics rely upon access to sensitive personal data; and tokens require dependence on third-party providers (e.g. OAuth providers). This work explores CPU-Auth, a novel authentication mechanism based on unique variations in the physical characteristics of the CPU of a computing device. By measuring the behavior of the Dynamic Voltage and Frequency Scaling (DVFS) governor remotely from within a browser, unique properties of the CPU can be leveraged to establish a hardware-based device fingerprint for use in CPU-Auth. The performance of CPU-Auth is evaluated on over 50,000 data traces using distance-based and deep learning methods. CPU-Auth is part of a larger research project, and the results provided in this report reflect only the contributions made to the project by members of this group.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.10766v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2501.10375v3cs.DC공통 태그 CPU공식 코드 · Papers with Code

DAOP: 효율적인 MoE 추론을 위한 데이터 인지 오프로딩 및 예측 사전 계산

DAOP: Data-Aware Offloading and Predictive Pre-Calculation for Efficient MoE Inference

전문가 혼합(Mixture-of-Experts, MoE) 모델은 다양한 머신러닝 작업에서 매우 효과적이지만, 메모리가 제한된 기기에 배포할 때 상당한 어려움을 겪는다. GPU는 빠른 추론을 제공하지만 CPU에 비해 메모리가 제한적이어서 모든 전문가(expert)를 GPU에 동시에 저장할 수 없으며, 이로 인해 CPU 메모리로부터 비용이 큰 데이터 전송이 빈번하게 필요해지고 이는 종종 GPU의 속도 이점을 상쇄한다. 이를 해결하기 위해 우리는 GPU-CPU 병렬 실행을 최적화하는 온디바이스 MoE 추론 엔진인 DAOP를 제안한다. DAOP는 시퀀스별 활성화 패턴에 따라 전문가를 CPU와 GPU 간에 동적으로 할당하고, 예측된 전문가를 CPU에서 선택적으로 사전 계산하여 전송 지연 시간을 최소화한다. 이 접근 방식은 새로운 점진적 성능 저하(graceful degradation) 메커니즘을 통해 모델 정확도를 유지하면서도 다양한 전문가 캐시 비율에서 효율적인 자원 활용을 가능하게 한다. 다양한 데이터셋에 대한 종합적인 평가 결과, DAOP는 기존의 전문가 캐싱 및 프리페칭 방법보다 최대 8.20배, 오프로딩 기법보다 1.35배 더 우수한 성능을 보이면서도 정확도를 유지하는 것으로 나타났다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.