I rischi di sicurezza dei sistemi Compute-in-Memory

L'uso del machine learning, soprattutto del deep learning, è diventato super comune in vari campi come l'elaborazione del linguaggio, la visione artificiale e l'analisi finanziaria. Le reti neurali profonde (DNN) aiutano i computer a imparare schemi da grandi quantità di dati. Però, usare le DNN spesso significa dover spostare dati avanti e indietro tra la memoria e i processori, il che può rallentare tutto.

Per rendere le DNN più veloci e più efficienti dal punto di vista energetico, i ricercatori hanno sviluppato sistemi compute-in-memory (CIM). Questi sistemi possono memorizzare i dati e fare i calcoli direttamente dove i dati sono salvati, evitando movimenti di dati inutili. Questo porta a un'elaborazione più veloce e a un minor Consumo Energetico.

Con l'aumento dell'uso delle DNN, cresce anche l'importanza della sicurezza dei dati. Ci sono serie preoccupazioni sul come proteggere le informazioni sensibili degli utenti, specialmente in settori critici come la sanità e la finanza. Gli attacchi ai dati delle DNN possono portare a violazioni della privacy e permettere a malintenzionati di sfruttare informazioni sensibili. Questo articolo esplora un problema di sicurezza specifico legato ai sistemi CIM e come il machine learning può essere usato per sfruttare queste vulnerabilità.

#Che cos'è un Sistema CIM?

I sistemi CIM permettono che i dati e il processamento avvengano nello stesso luogo. Un tipico setup CIM usa dispositivi chiamati memristor per memorizzare i valori di peso, che vengono usati nei calcoli. Invece di spostare i dati avanti e indietro, i sistemi CIM gestiscono i calcoli direttamente in memoria. Questo li rende più efficienti e veloci per compiti come il deep learning.

Tuttavia, questi sistemi presentano anche rischi per la sicurezza. Quando si usano i sistemi CIM, la potenza che consumano può rivelare informazioni sensibili. Se qualcuno riesce a misurare questi livelli di potenza, potrebbe essere in grado di fare reverse engineering dei dati privati.

#La Minaccia degli Attacchi Side-Channel

Gli attacchi side-channel sono un modo per ottenere informazioni sensibili da un sistema informatico analizzando i dati che fuoriescono durante il suo funzionamento. Nei sistemi CIM, questa perdita di dati proviene spesso da misurazioni del consumo di energia. Gli attaccanti possono osservare i modelli di utilizzo della potenza e usare queste informazioni per dedurre dettagli sui calcoli che si stanno effettuando.

Questi attacchi possono essere realizzati usando due metodi: invasivi e non invasivi. Gli attacchi invasivi richiedono accesso fisico all'hardware, mentre quelli non invasivi possono essere fatti da lontano senza bisogno di aprire il dispositivo.

Durante questi attacchi, un avversario può analizzare la potenza usata per compiere calcoli e provare a dedurre i dati di input da queste informazioni. Possono misurare l'energia consumata da un chip CIM mentre elabora informazioni, consentendo loro di estrarre dati sensibili attraverso un'analisi attenta.

#Il Ruolo del Machine Learning

Vista la crescente sofisticazione degli attacchi, i metodi tradizionali di rilevamento e protezione potrebbero non essere sufficienti. Qui entra in gioco il machine learning. Usando modelli di machine learning, gli attaccanti possono automatizzare e migliorare i loro attacchi side-channel.

Il machine learning può aiutare gli attaccanti a costruire modelli basati sui dati di consumo energetico raccolti durante le esecuzioni precedenti. Questi modelli possono poi essere usati per fare supposizioni educate sui dati sottostanti che vengono elaborati, anche senza una conoscenza precedente dell'architettura DNN specifica usata.

In questo contesto, le Reti Generative Avversarie (GAN) possono essere particolarmente utili. Le GAN sono composte da due reti neurali: un generatore e un discriminatore. Il generatore crea dati falsi, mentre il discriminatore cerca di capire se i dati sono reali o generati. In questo caso, le GAN possono aiutare a ricostruire dati originali da misurazioni di consumo di energia allenandosi su coppie di dati reali e falsi fino a produrre ricostruzioni molto accurate.

#La Vulnerabilità dei Sistemi CIM

I sistemi CIM offrono molti vantaggi, ma aprono anche la porta a potenziali violazioni della privacy. Le ricerche indicano che gli attaccanti possono ricostruire dati di input reali usati nei sistemi CIM attraverso attacchi side-channel. Analizzando la potenza consumata durante le operazioni, gli attaccanti possono scoprire informazioni sensibili.

Questa vulnerabilità è particolarmente preoccupante quando si tratta di applicazioni nella salute, dove i dati dei pazienti devono essere mantenuti privati e sicuri. Se un attaccante riesce a ricostruire questi dati, rappresenta una minaccia significativa per la privacy e la sicurezza dei pazienti.

#Come Vengono Condotti gli Attacchi

Il processo per condurre un attacco side-channel comprende diversi passaggi. Prima di tutto, un attaccante osserva le tracce di potenza durante l'elaborazione dei dati. Queste tracce vengono raccolte nel tempo e rappresentano l'uso della potenza del sistema durante le sue operazioni.

Successivamente, gli attaccanti possono applicare tecniche di machine learning per estrarre caratteristiche utili da queste tracce. Analizzano queste caratteristiche per identificare modelli che possono corrispondere a input specifici. Allenando un modello su tracce di potenza raccolte in precedenza, gli attaccanti possono apprendere le relazioni tra l’uso della potenza e i dati di input.

Una volta che il modello è addestrato, può essere usato per fare previsioni su nuove tracce di dati. Il modello può fornire informazioni su quali fossero gli input originali basandosi sui modelli rilevati nelle tracce di potenza.

#Risultati della Ricerca

La ricerca ha dimostrato che è davvero possibile ricostruire dati di input privati da un sistema CIM, anche quando è presente rumore nelle misurazioni. Ad esempio, le tracce di potenza possono rivelare informazioni importanti sui dati di input come le immagini mediche.

Negli esperimenti, i ricercatori sono riusciti a dimostrare che potevano ricostruire con successo immagini MRI originali anche quando significativi rumori venivano introdotti nelle tracce di potenza. In alcuni casi, la ricostruzione manteneva un alto livello di dettaglio, evidenziando i rischi potenziali associati ai sistemi CIM.

#Implicazioni per la Sicurezza

Questi risultati sottolineano la necessità di migliorare le misure di sicurezza quando si progettano i sistemi CIM. I metodi attuali per mitigare gli attacchi side-channel non sono sufficienti. Tecniche come l'iniezione di rumore possono aiutare, ma non sono infallibili. Gli attaccanti possono ancora trovare modi per aggirare queste misure usando tecniche di machine learning.

Per proteggere informazioni sensibili, è essenziale che sviluppatori e ingegneri includano misure di sicurezza già nella fase di progettazione dei sistemi CIM. Questo include considerare potenziali vulnerabilità e integrare protezioni contro gli attacchi side-channel.

#Conclusione

I sistemi CIM rappresentano un progresso prezioso nella tecnologia del deep learning, offrendo miglioramenti significativi in velocità ed efficienza energetica. Tuttavia, le loro vulnerabilità agli attacchi side-channel pongono rischi per la privacy e la sicurezza degli utenti. Sfruttando il machine learning, gli attaccanti possono sfruttare queste vulnerabilità per estrarre dati sensibili.

Con l'aumento dell'uso delle DNN, affrontare questi problemi di sicurezza diventa sempre più importante. Ricercatori, sviluppatori e organizzazioni devono collaborare per rafforzare i sistemi CIM contro minacce potenziali e proteggere le informazioni degli utenti. La necessità di progetti sensibili alla sicurezza in tecnologia è più critica che mai, in particolare in settori delicati come la sanità, dove proteggere i dati personali è fondamentale.