연구원들은 널리 퍼져 있는 두 가지 유형의 공격으로부터 보호하는 에너지 집약적 AI 모델을 위한 보안 솔루션을 만들었습니다.

건강 모니터링 앱은 만성 질환을 관리하고 피트니스 목표를 달성하는 데 매우 중요합니다. 이러한 앱은 스마트폰을 기본 도구로 활용합니다. 이러한 앱은 스마트폰과 중앙 서버 간의 지속적인 데이터 교환이 필요한 대규모 기계 학습 모델에 의존하는 경우가 많아 비효율성과 성능 저하를 초래합니다.

이러한 비효율성을 해결하기 위해 엔지니어는 데이터 전송 요구 사항을 줄이고 앱 속도를 향상시키는 기계 학습 가속기를 사용합니다. 그러나 이러한 가속기는 공격자가 잠재적으로 건강 기록 및 금융 데이터와 같은 민감한 정보에 액세스할 수 있는 보안 위반에 취약합니다.

MIT와 MIT-IBM Watson AI Lab의 연구원들은 효율성을 유지하면서 중요한 데이터를 보호하면서 가장 널리 퍼진 두 가지 공격 방법에 저항하는 새로운 유형의 기계 학습 가속기를 개발했습니다. 가속기의 설계에는 속도와 정확성에 미치는 영향을 최소화하면서 강력한 보안을 보장하는 최적화 기능이 포함되어 있습니다. 이것 technology 증강현실, 자율주행 등 AI 기반 분야에도 적용 가능하다.

장단점 및 설계 고려 사항

이러한 보안 칩을 구현하면 비용이 약간 증가하고 에너지 효율성이 감소하지만 보안 강화를 위해 허용되는 절충안인 경우가 많습니다. 새로운 디지털 인메모리 컴퓨팅(IMC) 칩은 보안 조치를 하드웨어에 직접 통합하여 장치 메모리 내에서 계산을 수행하고 외부 데이터 전송을 줄입니다. 이 아키텍처는 처리 속도를 높일 뿐만 아니라 사이드 채널 및 버스 프로빙 공격에 대한 방어도 강화합니다. 데이터를 암호화하고 칩 자체에 고유한 암호 해독 키를 생성함으로써 팀은 잠재적인 보안 침해를 효과적으로 차단했습니다.

테스트 시나리오에서 연구원들은 일반적인 해킹 기술을 사용하여 자체 시스템에 침입을 시도했지만 민감한 정보를 추출할 수 없었으며 보안 조치의 효과가 강조되었습니다. 에너지 및 제조 비용의 증가에도 불구하고 지속적인 연구는 이러한 측면을 더욱 최적화하여 기술을 보다 광범위하게 사용할 수 있도록 만드는 것을 목표로 합니다.

연구원들은 다양한 애플리케이션에서 모바일 및 AI 기술의 미래에 중요한 사이버 위협으로부터 엣지 장치를 보호하는 데 있어 중요한 진전을 나타냅니다. 보안, 비용 및 성능의 균형은 차세대 기계 학습 가속기 개발에서 계속해서 중추적인 초점 영역이 될 것입니다.