4 分で読了
0 views

SAFE-SiP:System-in-Package向けマルチパーティ計算を用いたセキュア認証フレームワーク

(SAFE-SiP: Secure Authentication Framework for System-in-Package Using Multi-party Computation)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下から「チップレット方式のSiPが来る」と聞きまして、うちの製品にも関係するのではと心配になりまして。セキュリティ面でどんなリスクがあるのか、単刀直入に教えていただけますか。

AIメンター拓海

素晴らしい着眼点ですね!SiPは複数の小さなチップ(チップレット)を一つのパッケージにまとめる技術で、柔軟性が上がる半面、製造や組み立ての供給網が複雑になり、不正コピーや過剰生産、別ベンダーによる不正アクセスのリスクが生じますよ。

田中専務

要するに、いろんな会社の部品が一つになると、どこから問題が来るか分からないと。うちみたいな中堅だと、専用のセキュリティチップを入れる余裕もないのではないですか。

AIメンター拓海

その通りです。しかし今回紹介するSAFE-SiPは、専用のセキュリティチップを追加せずに、複数の当事者が互いに信用しない前提で認証を行える技術です。難しい言葉で言うとマルチパーティ計算(Multi-party Computation、MPC)を使いますが、身近な例で言えば、鍵を分散して誰も全部は持たない状態で確認する仕組みです。

田中専務

これって要するに、暗号でチップの正体を隠して、誰にも見せずに「正しい」とだけ確認するということ?もしそうなら、現場導入の手間や費用が気になります。

AIメンター拓海

大丈夫、一緒に整理しましょう。要点は三つです。第一に、認証情報をそのまま見せないように“ガーブリング”という手法で隠す。第二に、隠したままで複数当事者が共同で計算して「合格」を出すMPCを使う。第三に、専用チップが不要なためハードウェアコストを抑えられる。これで投資対効果を考えやすくなりますよ。

田中専務

技術的にはその三つが鍵ということですね。ただ、現場の製造ラインや検査の流れが増えると工数負担が不安です。実際に評価した結果、現場負荷はどれくらいかかるのでしょうか。

AIメンター拓海

良い質問です。論文の実験では5つのRISC-VベースのSiPで評価し、平均面積オーバーヘッドが約3.05%に抑えられていました。消費電力の影響は最小限で、計算量の指標も管理可能な値になっているため、既存ラインへの追加負荷は限定的です。導入は段階的にできる設計ですから、現場の負担を抑えられますよ。

田中専務

設計に手を入れる余地があるなら検討の価値はありそうです。最後に、経営判断として何を見れば導入すべきか、一つに絞って教えていただけますか。

AIメンター拓海

大事な視点ですね。結論はこれです:サプライチェーンリスクの金額換算と既存セキュリティ投資を比較してください。具体的には、不正生産や盗用で想定される損失額と、SAFE-SiP導入によるコスト削減または回避できる損失を天秤にかけると、投資対効果が明確になりますよ。

田中専務

分かりました。では、私の理解でまとめますと、SAFE-SiPはチップレットの識別情報をそのまま晒さずにガーブリングして、複数当事者で認証を行うMPCを用いることで専用セキュリティチップを不要にし、面積や消費を抑えつつサプライチェーンリスクを低減する仕組み、ということですね。これで社内の議論を始めてみます。

論文研究シリーズ
前の記事
AIによるコードコメント改善
(AI-Mediated Code Comment Improvement)
次の記事
AI支援デザイン作業における学生の判断を追う
(Tracing the Invisible: Understanding Students’ Judgment in AI-Supported Design Work)
関連記事
単語埋め込みに潜むステレオタイプの定量化と緩和
(Quantifying and Reducing Stereotypes in Word Embeddings)
スパース・ミクスチャー・オブ・エキスパートによる統一競争学習
(Sparse Mixture of Experts as Unified Competitive Learning)
ディープアンフォールディングを用いた無線ネットワーク最適化
(Optimizing Wireless Networks with Deep Unfolding)
テキスト勾配はフェデレーテッドラーニングで機能するか
(CAN TEXTUAL GRADIENT WORK IN FEDERATED LEARNING?)
電子顕微鏡画像のための視覚ハイパーグラフニューラルネットワーク
(VISION HGNN: AN ELECTRON-MICROGRAPH IS WORTH HYPERGRAPH OF HYPERNODES)
非GEMMワークロードによる最新MLワークロードのパフォーマンス地平
(Understanding the Performance Horizon of the Latest ML Workloads with NonGEMM Workloads)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む