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。

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

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
術後の肉眼腫瘍体積の深層学習による自動セグメンテーション
(Deep Learning-Based Automated Post-Operative Gross Tumor Volume Segmentation in Glioblastoma Patients)
Skywork-Reward-V2とSynPref-40M:人×AI協調による大規模報酬モデル学習 / Skywork-Reward-V2: Scaling Preference Data Curation via Human-AI Synergy
動的メモリに基づく適応最適化
(Dynamic Memory Based Adaptive Optimization)
デジタルロックを機械学習へ導く—勾配ブースティングと深層ニューラルネットワークによる透過率予測
(Driving Digital Rock towards Machine Learning: predicting permeability with Gradient Boosting and Deep Neural Networks)
縦偏光電子ビームを用いたHERAでの荷電カレント深部非弾性散乱断面積の測定
(Measurement of charged current deep inelastic scattering cross sections with a longitudinally polarised electron beam at HERA)
UAV支援型マルチタスク分散学習とタスク知識共有
(UAV-Assisted Multi-Task Federated Learning with Task Knowledge Sharing)
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)
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)
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)

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