SparseBleed: ataque de canal lateral via otimizações de esparsidade de hardware vaza atributos sensíveis de modelos
Pesquisadores apresentam o SparseBleed, o primeiro ataque de inferência de atributos a nível de hardware que contorna defesas de privacidade consideradas estado da arte, explorando o fato de que otimizações de esparsidade em aceleradores de IA (AVX2/AVX-512/AMX da Intel, Tensor Cores da NVIDIA com esparsidade 2:4, e bibliotecas como oneDNN e cuSPARSE) criam assinaturas de tempo estáveis que funcionam como proxy da confiança do modelo. Sem precisar de acesso a gradientes, pesos, rótulos ou traços de energia, o ataque recupera com 99,8% de acurácia o rótulo de saída verdadeiro (procedimento cirúrgico) em um modelo de saúde treinado sobre dados Texas-100X, usando apenas uma única consulta.
Fonte ↗