.png){kind=icon}
返回
Evaluating Large Language Model Application Impacts on Evasive Spectre Attack Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14071384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了不同大型语言模型（DeepSeek、Kimi和Doubao）在访问文本、图像和代码任务时对规避型Spectre攻击的检测成功率的影响。通过将不同大型语言模型（LLMs）的任务与规避型Spectre攻击并发运行，构建了一个带有LLMs噪声的独特数据集。随后，采用聚类算法来降低数据维度并筛选出代表性样本用于测试集。最后，基于随机森林检测模型，研究系统地评估了不同任务类型对攻击检测成功率的影响。实验结果表明，在规避型Spectre内存攻击和规避型Spectre nop攻击中，攻击检测成功率均遵循代码 > 文本 > 图像的模式。为进一步评估不同架构对规避型Spectre攻击的影响，在NVIDIA RTX 3060 GPU上进行了额外实验。结果显示，在RTX 3060上，代码任务的攻击检测成功率下降，而文本和图像任务的攻击检测成功率较2080 Ti有所提升。这一发现表明，架构差异会影响硬件性能计数器（HPCs）的表现，进而影响攻击检测成功率。
Keyword:
evasive Spectre attacks
attack detection
Large Language Models
cluster analysis
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
暂无机构信息
引用论文
CAN-BERT do it? Controller Area Network Intrusion Detection System based on BERT Language Model伯特能做到吗？基于BERT语言模型的控制器局域网入侵检测系统OAAI
OAAI分享收藏T-Smade: A Two-Stage Smart Detector for Evasive Spectre Attacks Under Various WorkloadsT-Smade：一种面向不同工作负载下规避性Spectre攻击的两阶段智能检测器.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Multi-Tenant Deep Learning Acceleration with Competitive GPU Resource Sharing多租户深度学习加速与竞争性GPU资源共享
PREAI
分享收藏SoK: Can We Really Detect Cache Side-Channel Attacks by Monitoring Performance Counters?开创性工作：我们真的能通过监控性能计数器来检测缓存旁路攻击吗？
PREAI
分享收藏分享收藏Fast, Robust and Accurate Detection of Cache-Based Spectre Attack Phases快速、鲁棒且精确的基于缓存的Spectre攻击阶段检测OAAI
OAAI分享收藏分享收藏The perceptron: A probabilistic model for information storage and organization in the brain.感知器: 大脑中信息存储和组织的概率模型。
PREAI
分享收藏
查看更多内容