返回
Digital In-Memory Compute for Machine Learning Applications With Input and Model Security
DOI:10.1109/JSSC.2025.3534753.png)
摘要
En 中文
内存内计算(IMC)架构能够在满足许多机器学习应用所需的高精度和高准确性的同时,通过高度的数据复用和并行性来降低能耗。然而,一个常被忽视的参数是安全性,这对于保持加速器的隐私和完整性是必要的。在本工作中,我们提出了一种能够抵御两种窃听攻击的IMC宏设计,包括被动物理旁路通道和内存总线探测。这是通过安全计算(无需随机位)、使用轻量级密码进行本地模型解密以及利用现有IMC电路生成密钥来实现的。这些贡献为所有实际攻击者(超过100万个样本)提供了旁路通道安全性,同时在8.1 TOPS/W的能效下运行,且对神经网络精度没有任何影响。
Keyword:
In-memory compute (IMC)
machine learning
physically unclonable functions
side-channel security
期刊
I
IF:
5.6
论文数:
916
被引数:
2.7W

