MARC

 008250123s2024        us                              c    eng  d
■001000017162830
■00520250211152100
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739557
■035    ▼a(MiAaPQ)AAI31349015
■035    ▼a(MiAaPQ)umichrackham005562
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aWang,  Ziyu.
■24510▼aHigh-Performance  Process-in-Memory  Architectures  Design  and  Security  Analysis
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a158  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Lu,  Wei.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aThe  performance  of  processor-centric  von  Neumann  architectures  is  greatly  hindered  by  data  movement  between  memory  and  processor,  especially  when  encountering  data-intensive  tasks.  Memory-centric  process-in-memory  (PIM)  architectures  perform  computations  directly  within  the  memory  modules.  Hence,  the  performance  and  energy  penalty  associated  with  data  access  can  be  mitigated  by  minimizing  data  movement  and  leveraging  high  internal  bandwidth.  In  addition  to  the  benefits  in  performance  and  energy  efficiency,  PIM  architectures  facilitate  extensive  computing  parallelism  and  scalability,  while  also  provide  enhanced  security  resilience  against  bus-snoop  attacks.  PIM  architectures  have  shown  their  capability  in  many  machine  learning  applications.  Nonetheless,  effectively  accommodating  ultra-large  deep  neural  network  (DNN)  models,  like  Transformer,  remains  an  ongoing  challenge,  and  with  the  continued  adoption  of  PIM  architectures,  security  and  vulnerability  issues  are  poised  to  become  looming  threats.  This  dissertation  focuses  on  high-performance  PIM  architecture  design  for  data-intensive  applications.  To  facilitate  PIM  architecture  design  and  security  studies,  the  dissertation  first  proposes  event-driven,  cycle-accurate  simulators  and  their  implementations  for  PIM  architectures  based  on  dynamic  random-access  memory  (DRAM)  and  resistive  random-access  memory  (RRAM),  along  with  how  these  simulators  can  be  used  for  architecture  design.  The  PIM-GPT  architecture  is  then  introduced,  which  offers  high  performance,  high  energy  efficiency  and  end-to-end  acceleration  of  GPT  inference.  PIM-GPT  leverages  DRAM-based  PIM  solutions  to  perform  multiply-accumulate  (MAC)  operations  on  the  DRAM  chips,  working  together  with  an  application-specific  integrated  chip  (ASIC)  which  supports  data  communication  and  other  necessary  arithmetic  computations.  At  the  software  level,  the  mapping  scheme  is  designed  to  maximize  data  locality  and  computation  parallelism  by  partitioning  a  matrix  among  DRAM  channels  and  banks  to  utilize  all  in-bank  computation  resources  concurrently.    Overall,  PIM-GPT  achieves  41-137x,  631-1074x  speedup  and  123-383x  and  320-602x  energy  efficiency  over  GPU  and  CPU  baseline,  respectively,  on  8  GPT  models.  Two  security  and  vulnerability  investigations  are  then  conducted  on  RRAM-based  analog  PIM  architectures.  These  studies  employ  a  dynamic  power  trace  modeling  approach  at  runtime,  enabling  efficient  power  and  timing  side-channel  analysis.  The  susceptibility  of  PIM  architectures  to  side-channel  attacks  is  analysed.  And  the  study  reveals  the  possibility  of  extracting  complete  DNN  model  architectural  information  solely  from  power  trace  measurements,  without  prior  DNN  knowledge.  Furthermore,  another  potential  security  vulnerability  is  identified,  wherein  an  adversary  can  reconstruct  a  user's  private  input  data  through  a  power  side-channel  attack,  given  proper  data  acquisition  and  pre-processing.  The  study  employs  a  machine  learning-based  attack  approach  utilizing  a  generative  adversarial  network  (GAN)  to  enhance  data  reconstruction.  Notably,  these  findings  illustrate  the  effectiveness  of  specific  attack  methodologies  in  extracting  DNN  model  structures  and  user  inputs  from  analog  PIM  accelerator  power  leakage,  even  in  the  presence  of  substantial  noise  levels.  Countermeasures  against  these  side-channel  attacks  are  also  discussed.  In  light  of  these  security  challenges,  there  is  a  growing  demand  for  hardware  secure  systems  capable  of  providing  robust  solutions  for  identification,  authentication,  and  protection  against  counterfeiting  and  unauthorized  modifications.  Physical  unclonable  functions  (PUFs)  emerge  as  a  valuable  technique  for  hardware  root-of-trust.  A  PUF  system  built  upon  fingerprint-like  random  planar  structures  is  developed,  demonstrating  compatibility  with  the  back-end-of-line  (BEOL)  process  and  presenting  promising  potential  as  a  hardware  security  primitive  in  the  IoT  industry.  In  the  end,  guiding  principles  and  proposals  for  future  work  are  deliberated,  focusing  on  three  key  aspects:  1)  hardware  modeling  and  simulation  of  emerging  PIM  architectures;  2)  hardware/software  co-optimization  for  Transformer  models;  and  3)  security  and  vulnerabilities  in  neuromorphic  computing  systems.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  engineering
■650  4▼aElectrical  engineering
■653    ▼aProcess-in-memory
■653    ▼aMachine  learning  accelerator
■653    ▼aSide-channel  attack
■653    ▼aHardware  security
■653    ▼aDynamic  random-access  memory
■653    ▼aResistive  random-access  memory
■690    ▼a0544
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162830▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서