论文提出通过嵌入式神经网络物理故障注入触发隐蔽特征图后门

该研究提出一种跨层级攻击方法，将实现层面的物理故障注入（FI）与算法层面的对抗性威胁相结合，构建了系统级攻击向量。攻击者利用电磁故障注入在ARM Cortex-M4微控制器上运行卷积神经网络时，精确操控寄存器值以产生中间扰动，这些扰动作为隐蔽触发器激活后门，使模型在正常操作下表现良性，仅在特定物理故障条件下表现出对抗性行为。

与传统基于输入的后门不同，这种物理触发的后门能绕过通常假设输入空间触发器的现有防御机制。实验证明，该方法在资源受限的嵌入式平台上有效，且针对的是实现层与算法层交互的脆弱点。材料未提及具体的成功率数值或对比基准，仅强调其概念可行性和对现有防御假设的挑战。

事实层面，该工作展示了物理故障如何被转化为算法后门触发器；推断层面，这意味着仅关注软件或输入层的防御可能不足以保护嵌入式AI系统；猜测层面，此类攻击在实际大规模部署中的成本与可行性仍需进一步验证。产业链需考虑在芯片设计、固件更新及推理引擎中引入跨层级的检测机制。