Para peneliti telah menciptakan solusi keamanan untuk model AI boros energi yang melindungi dari dua jenis serangan umum.
Aplikasi pemantauan kesehatan sangat penting untuk mengelola penyakit kronis dan mencapai tujuan kebugaran. Aplikasi ini memanfaatkan ponsel pintar sebagai alat utama. Aplikasi ini sering kali mengandalkan model pembelajaran mesin berukuran besar yang memerlukan pertukaran data terus-menerus antara ponsel cerdas dan server pusat, sehingga menyebabkan inefisiensi dan kinerja lambat.
Untuk mengatasi inefisiensi ini, para insinyur menggunakan akselerator pembelajaran mesin yang mengurangi kebutuhan transfer data, sehingga meningkatkan kecepatan aplikasi. Namun, akselerator ini rentan terhadap pelanggaran keamanan, di mana penyerang berpotensi mengakses informasi sensitif seperti catatan kesehatan dan data keuangan.
Para peneliti dari MIT dan MIT-IBM Watson AI Lab telah mengembangkan akselerator pembelajaran mesin jenis baru yang tahan terhadap dua metode serangan paling umum, melindungi data sensitif sekaligus menjaga efisiensi. Desain akselerator menggabungkan optimalisasi yang menjamin keamanan yang kuat dengan dampak minimal terhadap kecepatan dan akurasi. Ini teknologi juga berlaku untuk bidang yang digerakkan oleh AI seperti augmented reality dan mengemudi otonom.
Pengorbanan Dan Pertimbangan Desain
Penerapan chip aman ini sedikit meningkatkan biaya dan mengurangi efisiensi energi, namun hal ini sering kali merupakan kompromi yang dapat diterima untuk meningkatkan keamanan. Chip digital in-memory computing (IMC) yang baru mengintegrasikan langkah-langkah keamanan langsung ke perangkat keras, melakukan komputasi di dalam memori perangkat dan mengurangi transfer data eksternal. Arsitektur ini tidak hanya mempercepat pemrosesan tetapi juga memperkuat pertahanan terhadap serangan saluran samping dan bus-probing. Dengan mengenkripsi data dan menghasilkan kunci dekripsi unik pada chip itu sendiri, tim telah secara efektif memblokir potensi pelanggaran keamanan.
Dalam skenario pengujian, para peneliti berusaha membobol sistem mereka sendiri menggunakan teknik peretasan yang umum tetapi tidak dapat mengekstrak informasi sensitif apa pun, sehingga menyoroti efektivitas langkah-langkah keamanan mereka. Meskipun biaya energi dan fabrikasi meningkat, penelitian yang sedang berlangsung bertujuan untuk lebih mengoptimalkan aspek-aspek ini, sehingga teknologi ini lebih layak untuk digunakan secara luas.
Para peneliti ini mewakili langkah maju yang signifikan dalam mengamankan perangkat canggih dari ancaman dunia maya, yang penting bagi masa depan teknologi seluler dan AI dalam berbagai aplikasi. Keseimbangan antara keamanan, biaya, dan kinerja akan terus menjadi area fokus penting dalam pengembangan akselerator pembelajaran mesin generasi mendatang.