Нападение на обучение встроенной машине с помощью программы " Power Side-Channel Funding Objective Attack on Embedded Machine Learning &qt;

arXiv:261009v1 Сообщение типа: перекрестное резюме: нападения на участников (MIAS) угрожают конфиденциальности данных об обучении машинному обучению (ML), выясняя, использовалась ли выборка для подготовки целевой модели. Существующие МИС основаны на результатах моделирования, начиная от вероятностей прогнозирования и кончая прогнозируемыми знаками опасности; это предположение может быть ограничительным в случае бортовых систем ML с ограниченной или недоступной производительностью. Вместе с тем подавление результатов моделирования не исключает вычислений, которые зависят от данных и могут оставаться наблюдаемыми по физическим боковым каналам. Мы представляем PSCMIA, вывод о том, что участие в движущемся субканале против внутрикорпоративных моделей ML, которые могут вычислить членство непосредственно от следов силы без необходимости предсказания вероятности или даже прогнозов. Мы оцениваем PSCMIA в различных наборах данных (MNIST, FMNIT, CIFAR10, CINIC10), полностью подключенных (FC) и нервно-коммунальных сетях (CNN), а также двух встроенных платформах (STM32F3, XMEGA). ПСКМИА