人工知能アルゴリズム、特にニューラルネットワークに基づくさまざまなディープラーニングアルゴリズム。その核となるのは、反復を通じて最終パラメーターを決定することです。ニューラルネットワークモデルのトレーニング中に、さまざまなトレーニングデータに従って反復して最適なネットワークパラメーターを見つけます ;ニューラルネットワークの導出では、入力データに従ってレイヤーごとにデータレイヤーを反復処理し、最終的に推定値を取得し、それに応じて予測結果を分析します。 ニューラルネットワークの場合、パラメーターはネットワークが達成できるタスクや予測の精度などの一連のインジケーターを決定します。 商業用ニューラルネットワークの構造とパラメーターが漏洩すると、犯罪者は関連製品を簡単に模倣し、企業に経済的損失を引き起こす可能性があり、この分野の学者が人工知能の物理的実現を研究する重要な分野でもあります。 その理由。
暗号アルゴリズムには、ニューラルネットワークといくつかの類似点があり、バイパス分析法を使用してニューラルネットワークのパラメーターを復元できます。 AESの一般的な暗号化アルゴリズムを例にとると、アルゴリズムで使用されるキーの長さに従って、AESは暗号化プロセス全体をいくつかのラウンドに分割し、入力プレーンテキスト情報は複数のラウンド操作を通じて対応する暗号テキスト情報に変換されます。操作の各ラウンドは、ラウンド関数によって定義されますラウンド関数は、4種類の操作の特定の組み合わせです最初と最後のラウンドを除き、すべての中間ラウンドは同じ操作の組み合わせを持ちます。同時に、各ラウンドの出力データは、対応する暗号文が最後のラウンドで生成されるまで、次のラウンドの入力データとして使用されます。 AESの各ラウンドで使用される一部の操作は、ニューラルネットワークのニューロンの計算に似ています。両方とも、操作に参加するための固定コンポーネントとランダムコンポーネントを備えています。 SubBytesを例にとると、この操作は入力を受け入れ、固定マッピングを介して対応する出力を取得します。一方、ニューロンは線形操作と活性化関数を使用します（2つはニューラルネットワークの導出中に固定されます）。入力により、対応する出力が生成されます。この機能は、誰もがニューラルネットワークを攻撃するためにバイパス分析方法を使用する重要な理由です。
その中で、AESアルゴリズムのKは、i番目のラウンド操作中にキーに基づいて計算されたサブキー（ラウンドキー）、Nはラウンド操作の合計数、AddRoundKey、SubBytes、ShiftRows、MixColumnsは4種類のラウンド関数を表します。操作。ニューラルネットワークでは、Nはネットワークのレイヤーの総数を表し、重み、バイアス、およびアクティベーション関数は、ニューラルネットワークのニューロンに対応する3つの要素、重み、バイアス、および活性化関数を表します。上記の比較の後、人工知能、特に深層学習アルゴリズムの実装が暗号化アルゴリズムの実装と高度に類似していることを見つけることは難しくありません。人工知能アルゴリズムの入力を取得するか、敏感なパラメーターを逆推論するためにバイパス分析技術を使用することは合理的です。
人工知能ハードウェアの物理的な実装に関する研究は、現在始まったばかりです。この研究では、マイクロコントローラーに実装された多層知覚（MLP）モデルのパラメーターを逆に構築し、ニューラルネットワークを復元しました。ネットワーク内の層の数とニューロンに関する情報。別の研究チームは、フィールドプログラマブルゲートアレイ（FPGA）の畳み込みニューラルネットワークの特定の実装に関する最初の畳み込み層をモデル化し、攻撃しました。ピクセル情報。人工知能アルゴリズムに対するバイパス分析攻撃は特定の結果を達成しましたが、マイクロコントローラーまたはFPGAと市販のAIチップでの人工知能アルゴリズムの実装にはまだ大きなギャップがあります。専用のAIチップは、並列コンピューティングのフレームワークを使用してアルゴリズムの実行を加速し、チップ上のデータフローに対応する物理的漏洩情報が相互に結合されるため、バイパス分析の難易度がさらに高まります。結合された情報から効果的な情報を効果的に抽出し、合理的な特徴漏洩モデルを特徴付ける方法は、人工知能アルゴリズムの物理的実現の研究における重要かつ困難なポイントになります。
バイパス分析の分野での人工知能技術の開発は、優勢です。従来のバイパス分析技術では解決が困難な問題については、人工知能技術を組み合わせて関連アルゴリズムを改善し、分析の効率を向上させることができます。従来のバイパス技術では解決できない問題については、人工知能技術を使用してアプリケーションを回避するブラックボックスを構築することができますフィールド調査のギャップを埋めるためのシーンの統計的仮定。人工知能技術の大きな可能性は、バイパス解析の開発の強力な後押しになると信じています。同時に、分析技術をバイパスすることで人工知能ハードウェアにもたらされる可能性のある脅威に注意する必要があります。
その中で、AESアルゴリズムのKは、i番目のラウンド操作中にキーに基づいて計算されたサブキー（ラウンドキー）、Nはラウンド操作の合計数、AddRoundKey、SubBytes、ShiftRows、MixColumnsは4種類のラウンド関数を表します。操作。ニューラルネットワークでは、Nはネットワークのレイヤーの総数を表し、重み、バイアス、およびアクティベーション関数は、ニューラルネットワークのニューロンに対応する3つの要素、重み、バイアス、および活性化関数を表します。上記の比較の後、人工知能、特に深層学習アルゴリズムの実装が暗号化アルゴリズムの実装と高度に類似していることを見つけることは難しくありません。人工知能アルゴリズムの入力を取得するか、敏感なパラメーターを逆推論するためにバイパス分析技術を使用することは合理的です。
人工知能ハードウェアの物理的な実装に関する研究は、現在始まったばかりです。この研究では、マイクロコントローラーに実装された多層知覚（MLP）モデルのパラメーターを逆に構築し、ニューラルネットワークを復元しました。ネットワーク内の層の数とニューロンに関する情報。別の研究チームは、フィールドプログラマブルゲートアレイ（FPGA）の畳み込みニューラルネットワークの特定の実装に関する最初の畳み込み層をモデル化し、攻撃しました。ピクセル情報。人工知能アルゴリズムに対するバイパス分析攻撃は特定の結果を達成しましたが、マイクロコントローラーまたはFPGAと市販のAIチップでの人工知能アルゴリズムの実装にはまだ大きなギャップがあります。専用のAIチップは、並列コンピューティングのフレームワークを使用してアルゴリズムの実行を加速し、チップ上のデータフローに対応する物理的漏洩情報が相互に結合されるため、バイパス分析の難易度がさらに高まります。結合された情報から効果的な情報を効果的に抽出し、合理的な特徴漏洩モデルを特徴付ける方法は、人工知能アルゴリズムの物理的実現の研究における重要かつ困難なポイントになります。
バイパス分析の分野での人工知能技術の開発は、優勢です。従来のバイパス分析技術では解決が困難な問題については、人工知能技術を組み合わせて関連アルゴリズムを改善し、分析の効率を向上させることができます。従来のバイパス技術では解決できない問題については、人工知能技術を使用してアプリケーションを回避するブラックボックスを構築することができますフィールド調査のギャップを埋めるためのシーンの統計的仮定。人工知能技術の大きな可能性は、バイパス解析の開発の強力な後押しになると信じています。同時に、分析技術をバイパスすることで人工知能ハードウェアにもたらされる可能性のある脅威に注意する必要があります。
