模板攻击从ChipWhisperer-Lite功耗轨迹中逐位还原float32神经网络权重，171条轨迹达99%成功率
相关研究与后续进展
核心概要
该工作提出一种模板攻击，针对已知输入与第一层权重之间的浮点乘法，在随机化网络配置下用乘法结果IEEE-754表示的汉明重量类别学习多元高斯模板，并以由粗到细到精确的分层搜索遍历32位候选空间；在ChipWhisperer-Lite与Arm Cortex-M4上，攻击逐位还原了目标权重的float32表示（0x3FB70A3D），在171条轨迹时成功率约99%，从263条轨迹起达到100%。
Figure 1: Pearson correlation between the profiling traces and the Hamming weight of the full 32 32 -bit product v = float32 ( w x ) v=\mathrm{float32}(wx) for every sample of the analysis window. The red markers are the five selected POIs.
arXiv深度剖析
提出一种模板攻击，可从功耗测量中逐位还原IEEE-754单精度神经网络权重，目标为已知输入与第一层权重之间的浮点乘法。 此前针对浮点神经网络参数的侧信道攻击多假设数值精度受限，或采用非模板的相关分析方法；据作者所述，专门面向逐位32位浮点权重还原的模板攻击此前未被研究。 在ChipWhisperer-Lite与STM32F303（Arm Cortex-M4）上完成端到端实验，恢复值与真实float32表示0x3FB70A3D逐位一致。
在随机化网络配置下构建泄漏模板，其余网络参数作为冗余变量，模板刻画的是浮点乘法结果的汉明重量类别而非单个权重值。 模板不依赖某一固定网络配置，也不需要在模板构建时知道攻击阶段的目标权重，因此可对独立配置的目标网络评估候选权重。 profiling数据集覆盖多个随机配置，非目标权重在profiling中变化且未纳入泄漏模型；攻击阶段在固定目标网络上仍成功恢复。
引入由粗到细到精确的分层搜索，逐级提高数值分辨率与泄漏模型分辨率，使32位浮点候选空间的逐位还原可行。 避免对整个IEEE-754单精度空间做穷举，粗阶段用较少比特在完整权重区间定位候选区域，细阶段提高泄漏分辨率，精确阶段用完整32位模型区分相邻float32值与2的幂次相似值。 粗阶段保留六个分离峰值，细阶段将最接近真值的候选细化到真值以下若干ULP，精确阶段返回逐位正确的float32值。
通过成功率分析量化攻击效率：在评估设置下，171条轨迹达到约99%的逐位成功率，从263条轨迹起达到100%。 给出恢复所需轨迹数与成功率的经验关系，表明可靠恢复只需数百条测量，而非全部攻击轨迹。 实验对对数间隔的轨迹数重复多次，每次随机抽取攻击轨迹顺序并在嵌套子集上运行完整分层攻击，仅当恢复值与真实float32权重逐位相等时计为成功。
启示与展望
该结果面向具备profiling条件的攻击者：其知道网络架构与目标乘法位置、可选择网络输入、能测量目标设备功耗，并拥有同类型可编程设备用于profiling；实验在同一块物理板上完成，两阶段之间重新烧录固件。方法针对第一层第一个权重，因为其一个乘数由攻击者直接选定，而后续层权重的输入激活依赖前面的加权和与非线性函数。模板刻画的是浮点乘法结果的汉明重量类别，因此可对独立配置的目标网络评估候选权重。分层搜索在完整权重区间定位候选、细化邻近数值、并以完整32位模型区分相邻float32值与2的幂次相似值，从而在保持逐位还原能力的同时降低搜索成本。
作者将研究范围限定为单一目标平台上的第一层第一个权重，并指出后续工作应扩展到多网络配置与更深层、考察模板跨设备与跨测量会话的可移植性，以及更大或更均衡的profiling数据集对稀疏汉明重量类别的影响。profiling中部分汉明重量类别样本不足，其类别均值由对已充分填充类别的线性外推得到，这类类别的似然估计精度值得关注。噪声标准差约为相邻类别均值差的两到三倍，单条轨迹信息量有限，需累积多条轨迹。此外，原文中若干具体数值（如轨迹数、采样率、类别比例、相关系数区间、ULP数等）在提供的文本中缺失，因此本总结未给出这些数字。