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]

来源

  1. ML Models Are Not Ciphers: Power Analysis for Weight Extraction Is Harder Than You ThinkarXiv · 2026年11月9日

核查或更正本页

验证记录

下方摘要可以说明你读到的文字是否与公开的源文件一致,但不能说明报道内容本身正确。这一摘要在构建时根据本页的 Markdown 源文件计算,并列入站点清单。

3a4ff3dfb7b7aeb0d447a459ba919286dbd5dfae37fdd56ec0a74761dc0f5795