PulseAugur
中
实时 08:38:24
English(EN) Leaking Circuit Secrets: Gradient Leakage Attacks on Graph Neural Networks

梯度泄露攻击对电路设计中的GNN构成安全风险

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员发现，在电路设计和硬件安全中使用的图神经网络（GNN）面临着与梯度泄露攻击（GLAs）相关的重大安全和隐私风险。这些攻击可能暴露敏感信息，如门类型和硬件木马属性，可能帮助对手进行逻辑锁定分析或逃避检测。虽然一些防御技术效果有限，并且会降低模型性能，但像注意力机制（GAT）这样的架构选择会加剧泄露，而注入式聚合（GIN）则提供了更好的弹性。 AI

影响 强调了用于关键基础设施的AI模型潜在的安全漏洞，需要更强大的隐私保护技术。

排序理由 学术论文，详细介绍了新的攻击向量以及对GNN防御的分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

梯度泄露攻击对电路设计中的GNN构成安全风险

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Rupesh Raj Karn, Johann Knechtel, Ozgur Sinanoglu ·

    Leaking Circuit Secrets: Gradient Leakage Attacks on Graph Neural Networks

    arXiv:2606.25589v1 Announce Type: new Abstract: As graph neural networks (GNNs) become standard tools for critical tasks in circuit design and analysis, their security and privacy risks require careful attention. Here, we present the first comprehensive evaluation of gradient lea…

  2. arXiv cs.LG TIER_1 English(EN) · Ozgur Sinanoglu ·

    Leaking Circuit Secrets: Gradient Leakage Attacks on Graph Neural Networks

    As graph neural networks (GNNs) become standard tools for critical tasks in circuit design and analysis, their security and privacy risks require careful attention. Here, we present the first comprehensive evaluation of gradient leakage attacks (GLAs) on GNNs in circuit-design an…

相关实体

相关话题