---
title: "研究者质疑将密码分析方法直接用于完整神经网络的功耗攻击"
dek: "一篇 arXiv 预印本称，即使能观察理想化、无噪声的泄漏，提取已训练模型的权重仍面临障碍。所保存摘要支持的结论有限，不能据此判断实际部署是否安全。"
---

Mohammed Qaiss 与另外七位作者于 2026 年 11 月 9 日向 arXiv 提交预印本，质疑直接借用密码攻击中的功耗分析方法，能否恢复完整、已训练的神经网络。作者称，即便攻击者可以直接观察泄漏模型的输出，且没有额外噪声，恢复权重仍存在根本性障碍；他们将这一攻击者假设描述为不现实地强大。[^1]

功耗分析试图从计算相关的功耗泄漏中推断秘密，本研究的目标是模型权重。摘要称，已有演示通常只恢复部分权重，而且多集中在浅层。该研究则考察完整网络，并以经过充分训练、能够正常工作的模型为对象，而非随机初始化的网络。[^1]

作者指出两类障碍。首先，有限精度浮点运算和低扩散性的线性运算，可能使权重恢复需要出乎预期的大量迹线，即使信道条件理想也如此。其次，模型在计算过程中降低数据熵，数据变化随之减少，使深层权重更难恢复。这些均为作者报告的发现；保存的摘要没有给出具体迹线数量，也没有评估任何实际部署的暴露情况。[^1]

:::analysis
这一论断涉及 T3 模型层、T2 运行时层和 T1 硬件层：网络行为、数值运算与功耗泄漏共同决定提取评估能够说明什么。用户和运营方在依据这些结果判断风险前，应核对自身模型、运算配置及泄漏假设是否与研究对象相符；来源没有列出修复版本或补救措施。这里需要核验的属性是**可识别性（identifiability）**：如果为用户提供服务的确切版本和配置有记录且可核查，用户便能判断自己是否接触过已识别的受影响配置，但这份摘要没有指出此类部署，也不能据此判断权重提取是否发生。完整网络难以恢复，仍未回答部分权重提取及其他配置下的风险。[^1]
:::

:::checked
我们于 2026 年 11 月 15 日阅读了保存的 arXiv 摘要页，标题为 *ML Models Are Not Ciphers: Power Analysis for Weight Extraction Is Harder Than You Think*，版本为 arXiv:2611.12532v1，阅读范围包括提交历史。这能核实作者报告了什么，以及 11 月 9 日的提交日期。我们没有阅读全文、检查代码、复现实验或测试任何系统，因此无法独立确认提取结果，也无法确认其是否适用于某项已部署服务。[^1]
:::
