חוקרים יצרו פתרון אבטחה עבור דגמי AI עתירי אנרגיה המגן מפני שני סוגים נפוצים של התקפות.

אפליקציות לניטור בריאות הן חיוניות לניהול מחלות כרוניות ולהשגת יעדי כושר. אפליקציות אלה משתמשות בסמארטפונים ככלי העיקרי. אפליקציות אלה מסתמכות לרוב על מודלים גדולים של לימוד מכונה הדורשים חילופי נתונים מתמידים בין הסמארטפון והשרתים המרכזיים, מה שמוביל לחוסר יעילות וביצועים איטיים.

כדי לטפל בחוסר היעילות הללו, המהנדסים מעסיקים מאיצי למידת מכונה שמפחיתים את צרכי העברת הנתונים, ומשפרים את מהירות האפליקציה. עם זאת, מאיצים אלו מועדים לפרצות אבטחה, כאשר התוקפים עלולים לגשת למידע רגיש כמו רשומות בריאות ונתונים פיננסיים.

חוקרים מ-MIT וממעבדת MIT-IBM Watson AI פיתחו סוג חדש של מאיץ למידת מכונה העומד בפני שתי שיטות ההתקפה הנפוצות ביותר, תוך שמירה על נתונים רגישים תוך שמירה על יעילות. עיצוב המאיץ משלב אופטימיזציות המבטיחות אבטחה חזקה עם השפעה מינימלית על המהירות והדיוק. זֶה טֶכנוֹלוֹגִיָה ישים גם לתחומים מונעי בינה מלאכותית כמו מציאות רבודה ונהיגה אוטונומית.

פשרות ושיקולי עיצוב

היישום של שבבים מאובטחים אלה מעלה מעט את העלות ומפחית את יעילות האנרגיה, אך לעתים קרובות אלו הן פשרות מקובלות לאבטחה משופרת. שבב המחשוב הדיגיטלי בזיכרון (IMC) החדש משלב אמצעי אבטחה ישירות בחומרה, מבצע חישובים בתוך זיכרון המכשיר ומצמצם העברות נתונים חיצוניות. ארכיטקטורה זו לא רק מזרזת את העיבוד אלא גם מחזקת את ההגנה מפני התקפות של ערוץ צד וגישוש באוטובוסים. על ידי הצפנת נתונים ויצירת מפתחות פענוח ייחודיים על השבב עצמו, הצוות חסם למעשה פרצות אבטחה פוטנציאליות.

בתרחישי בדיקה, החוקרים ניסו לפרוץ את המערכת שלהם באמצעות טכניקות פריצה נפוצות אך לא הצליחו לחלץ מידע רגיש, מה שהדגיש את האפקטיביות של אמצעי האבטחה שלהם. למרות עלויות האנרגיה והייצור המוגדלות, מחקר מתמשך שואף לייעל היבטים אלה עוד יותר, מה שהופך את הטכנולוגיה ליותר ריאלית לשימוש נרחב.

החוקרים מייצגים צעד משמעותי קדימה באבטחת מכשירי קצה מפני איומי סייבר, חיוניים לעתיד של טכנולוגיית המובייל וה-AI ביישומים שונים. האיזון בין אבטחה, עלות וביצועים ימשיך להיות תחום מיקוד מרכזי בפיתוח מאיצי למידת מכונה מהדור הבא.