Forscher haben eine Sicherheitslösung für energieintensive KI-Modelle entwickelt, die vor zwei weit verbreiteten Angriffsarten schützt.

Gesundheitsüberwachungs-Apps sind für die Behandlung chronischer Krankheiten und das Erreichen von Fitnesszielen von entscheidender Bedeutung. Diese Apps nutzen Smartphones als primäres Tool. Diese Apps basieren häufig auf großen Modellen des maschinellen Lernens, die einen ständigen Datenaustausch zwischen dem Smartphone und zentralen Servern erfordern, was zu Ineffizienz und langsamer Leistung führt.

Um diese Ineffizienzen zu beheben, setzen Ingenieure Beschleuniger für maschinelles Lernen ein, die den Datenübertragungsbedarf reduzieren und die App-Geschwindigkeit erhöhen. Allerdings sind diese Beschleuniger anfällig für Sicherheitslücken, bei denen Angreifer potenziell auf sensible Informationen wie Gesundheitsakten und Finanzdaten zugreifen könnten.

Forscher des MIT und des MIT-IBM Watson AI Lab haben einen neuen Beschleunigertyp für maschinelles Lernen entwickelt, der den beiden häufigsten Angriffsmethoden standhält und sensible Daten schützt und gleichzeitig die Effizienz beibehält. Das Design des Beschleunigers umfasst Optimierungen, die eine robuste Sicherheit bei minimalen Auswirkungen auf Geschwindigkeit und Genauigkeit gewährleisten. Das Technologie ist auch auf KI-gesteuerte Bereiche wie Augmented Reality und autonomes Fahren anwendbar.

Kompromisse und Designüberlegungen

Die Implementierung dieser sicheren Chips erhöht die Kosten leicht und verringert die Energieeffizienz, aber dies sind oft akzeptable Kompromisse für mehr Sicherheit. Der neue IMC-Chip (Digital In-Memory Compute) integriert Sicherheitsmaßnahmen direkt in die Hardware, führt Berechnungen im Speicher des Geräts durch und reduziert externe Datenübertragungen. Diese Architektur beschleunigt nicht nur die Verarbeitung, sondern stärkt auch die Abwehr von Seitenkanal- und Bus-Probing-Angriffen. Durch die Verschlüsselung der Daten und die Generierung einzigartiger Entschlüsselungsschlüssel auf dem Chip selbst hat das Team potenzielle Sicherheitsverletzungen effektiv blockiert.

In Testszenarien versuchten die Forscher, mit gängigen Hacking-Techniken in ihr eigenes System einzudringen, konnten jedoch keine sensiblen Informationen extrahieren, was die Wirksamkeit ihrer Sicherheitsmaßnahmen unterstreicht. Trotz der gestiegenen Energie- und Herstellungskosten zielen laufende Forschungsarbeiten darauf ab, diese Aspekte weiter zu optimieren, um die Technologie für einen breiten Einsatz brauchbarer zu machen.

Die Forscher stellen einen bedeutenden Fortschritt beim Schutz von Edge-Geräten vor Cyber-Bedrohungen dar, der für die Zukunft der Mobil- und KI-Technologie in verschiedenen Anwendungen von entscheidender Bedeutung ist. Das Gleichgewicht zwischen Sicherheit, Kosten und Leistung wird weiterhin ein zentraler Schwerpunkt bei der Entwicklung von Beschleunigern für maschinelles Lernen der nächsten Generation sein.