At the end of Silicon roadmap, keeping the leakage power in tolerable limit and bridging the bandwidth gap between processor and memory have become some of the biggest challenges. Several promising Non-Volatile Memories (NVMs) such as, Spin-Transfer Torque RAM (STTRAM), Magnetic RAM (MRAM), Phase Change Memory (PCM), Resistive RAM (RRAM) and Ferroelectric RAM (FeRAM) are being investigated to address the above issues since they offer high density and consumes zero leakage power. On one hand, the desirable properties of emerging NVMs make them suitable candidates for several applications including replacement of conventional memories. On the other hand, their unique characteristics such as, high and asymmetric read/write current and persistence bring new threats to data security and privacy. Some of these memories are already deployed in full systems and as discrete chips and are believed to become ubiquitous in future computing devices. Therefore, it is of utmost important to investigate their security and privacy issues. Note that these NVMs can be considered for cache, main memory or storage application. They are also suitable to implement in-memory computation which increases system throughput and eliminates Von-Neumann Bottleneck. Compute-capable NVMs impose new security and privacy challenges that are fundamentally different than their storage counterpart. This work identifies NVM vulnerabilities, attack vectors originating from device level all the way to circuits and systems considering both storage and compute applications. We also summarize the circuit/system level countermeasures to make the NVMs robust against security and privacy issues.


翻译:在硅路线图的末尾,将渗漏力保持在可容忍的限度内,并缩小处理器和记忆之间的带宽差距,这已成为一些最大的挑战。一些有希望的非流动记忆(NVMs),如Spin-Transfer Torque RAM(STTRAM),Magnic RAM(MRAM),Spy-Transfer Torque RAM(MRAM),Special Change Remement(PCM),Resistive RAM(RRAM)和Ferrozer RAM(FERRAM)等,正在调查上述问题,因为它们提供了高密度,消耗了零渗漏力。一方面,新兴的NVMS的可取性特性使他们适合多个应用程序,包括替换传统记忆。另一方面,它们的独特性,如高和不对称的读/写法当前和持续性等,给数据安全和隐私带来新的威胁。有些记忆已经安装在全套系统中,据信在未来的计算装置中会变得无处。因此,最重要的是要调查它们的安全和隐私问题。注意到这些NM可以被考虑用于缓冲攻击或存储的系统,而不会增加其前置和存储的版本的版本的版本。它们也是用来在进行新的存储器的系统上进行。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
【EMNLP2020】序列知识蒸馏进展,44页ppt
专知会员服务
38+阅读 · 2020年11月21日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
已删除
将门创投
3+阅读 · 2018年10月11日
Arxiv
0+阅读 · 2021年6月29日
Arxiv
15+阅读 · 2020年2月6日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
VIP会员
相关VIP内容
相关资讯
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
已删除
将门创投
3+阅读 · 2018年10月11日
Top
微信扫码咨询专知VIP会员