BARE-AI：基于硬件监控的AI抗比特翻转攻击框架

BARE-AI 是一种在推理阶段检测、定位并缓解内存位翻转攻击（BFAs）的运行时框架，通过引入轻量级硬件监控器 AI 性能计数器（APCs）和片上神经网络引擎 PULSE 实现防御。该方案在 CNN、Vision Transformers 和大型语言模型上分别达到最高 98%、74% 至 95% 的检测准确率，并在合成于 28nm 工艺下将能量开销控制在 3% 以内、面积开销低于 4%、延迟开销约 10%（可配置降至 6%）。与随容忍翻转数量增加而冗余度增长的纠错码不同，BARE-AI 的开销恒定，不受攻击强度影响。 核心机制包含三个部分：APCs 捕获每层激活统计量如稀疏度、熵、峰度和频谱偏移；PULSE 作为离线训练的集成分类器在线运行以识别异常；Activation Shift Index（ASI）用于层级故障定位，结合基于 z-score 的修复策略将异常权重重置回清洁层统计分布。实验覆盖随机、定向、自适应及基于幅度的多种攻击类型，结果显示该框架能恢复 CNN 和 ViT 的近清洁精度，并为 LLM 提供部分恢复能力。 事实层面，该论文展示了在特定硬件架构下实现低开销安全防御的技术路径，其恒定开销特性使其适用于自动驾驶、能源和医疗等受限边缘场景。推断层面，这种硬件原生防御可能改变未来安全关键系统芯片设计的权衡标准，减少对软件层重训练或高冗余纠错方案的依赖。猜测层面，若该技术被主流加速器厂商采纳，可能会推动行业从单纯依赖算法鲁棒性转向软硬协同的安全架构，但具体落地需验证其在真实物理环境中的长期稳定性及对抗新型攻击的泛化能力。