[论文解读] Remote Power Side-Channel Attacks on CNN Accelerators in FPGAs

Shayan Moini, Shanquan Tian+3 more|arXiv (Cornell University)|Nov 15, 2020

Physical Unclonable Functions (PUFs) and Hardware Security被引用 5

一句话总结

该论文首次展示了针对Xilinx FPGAs及AWS F1云FPGA上CNN加速器的远程、基于功耗的侧信道攻击，通过在推理过程中利用电压波动来恢复二值化CNN的输入。该攻击使用远程时间-数字转换器（TDC），在本地FPGA上实现了84%的归一化互相关，在AWS上实现了77%，且无需物理访问或硬件修改。

ABSTRACT

To lower cost and increase the utilization of Cloud FPGAs, researchers have recently been exploring the concept of multi-tenant FPGAs, where multiple independent users simultaneously share the same FPGA. Despite its benefits, multitenancy opens up the possibility of malicious users co-locating on the same FPGA as a victim user, and extracting sensitive information. This issue becomes especially serious when the user is running a machine learning algorithm that is processing sensitive or private information. To demonstrate the dangers, this paper presents the first remote, power-based side-channel attack on a deep neural network accelerator running in a variety of Xilinx FPGAs and also on Cloud FPGAs using Amazon Web Services (AWS) F1 instances. This work in particular shows how to remotely obtain voltage estimates as a deep neural network inference circuit executes, and how the information can be used to recover the inputs to the neural network. The attack is demonstrated with a binarized convolutional neural network used to recognize handwriting images from the MNIST handwritten digit database. With the use of precise time-to-digital converters for remote voltage estimation, the MNIST inputs can be successfully recovered with a maximum normalized cross-correlation of 84% between the input image and the recovered image on local FPGA boards and 77% on AWS F1 instances. The attack requires no physical access nor modifications to the FPGA hardware.

研究动机与目标

• 调查多租户FPGA云环境中共置用户可能发起的侧信道攻击所带来的安全风险。
• 证明在无需物理访问的情况下，可远程利用基于FPGA的深度学习加速器中的功耗侧信道泄漏。
• 展示可从推理过程中的远程电压测量中恢复二值化CNN的敏感输入。
• 评估此类攻击在本地FPGA板卡和AWS F1云实例上的可行性与有效性。

提出的方法

• 攻击利用远程时间-数字转换器（TDC）来估计FPGA在CNN推理期间的电压波动。
• 从FPGA的电源线中收集电压波形，其与加速器中的计算活动密切相关。
• 在Xilinx FPGAs和AWS F1实例上部署用于MNIST数字识别的二值化卷积神经网络（BNN）。
• 攻击利用功耗模式与输入数据之间的相关性，重建原始输入图像。
• 对电压波形应用信号处理与机器学习技术，以高保真度推断输入图像。
• 该方法在本地FPGA板卡和AWS F1云实例上均得到验证，证明了其远程可行性。

实验结果

研究问题

• RQ1 能否远程利用功耗侧信道泄漏，从运行在FPGA上的CNN加速器中提取输入？
• RQ2 在本地和云环境中，远程电压估计攻击对基于FPGA的CNN加速器的有效性如何？
• RQ3 在无物理访问或硬件修改的前提下，能多大程度上从功耗波形中重建原始输入图像？
• RQ4 与本地FPGA板卡相比，云环境下的AWS F1实例中重建质量有何差异？
• RQ5 在实际多租户FPGA部署中，此类攻击存在哪些实际限制与可行性？

主要发现

• 该攻击在本地FPGA板卡上成功恢复MNIST输入图像，最大归一化互相关达84%。
• 在AWS F1云实例上，原始图像与恢复图像之间的归一化互相关达到77%。
• 该攻击完全为远程执行，无需物理访问或对FPGA硬件进行任何修改。
• 该方法表明，即使在云环境中，基于FPGA的CNN加速器中的功耗侧信道泄漏仍可被利用。
• 通过远程TDC进行电压估计，可精确推断计算活动，从而实现输入重建。
• 结果凸显了在机器学习工作负载中，多租户FPGA部署存在关键安全漏洞。