นักวิจัยได้สร้างโซลูชั่นรักษาความปลอดภัยสำหรับโมเดล AI ที่ใช้พลังงานสูง ซึ่งป้องกันการโจมตีสองประเภทที่แพร่หลาย

แอปติดตามสุขภาพมีความสำคัญอย่างยิ่งต่อการจัดการโรคเรื้อรังและการบรรลุเป้าหมายด้านการออกกำลังกาย แอพเหล่านี้ใช้สมาร์ทโฟนเป็นเครื่องมือหลัก แอปเหล่านี้มักจะอาศัยโมเดลแมชชีนเลิร์นนิงขนาดใหญ่ที่ต้องมีการแลกเปลี่ยนข้อมูลอย่างต่อเนื่องระหว่างสมาร์ทโฟนและเซิร์ฟเวอร์กลาง ส่งผลให้เกิดความไร้ประสิทธิภาพและประสิทธิภาพที่ช้า

เพื่อจัดการกับความไร้ประสิทธิภาพเหล่านี้ วิศวกรจึงใช้ตัวเร่งความเร็วการเรียนรู้ของเครื่องจักรซึ่งจะช่วยลดความต้องการในการถ่ายโอนข้อมูล และเพิ่มความเร็วของแอป อย่างไรก็ตาม ตัวเร่งความเร็วเหล่านี้มีแนวโน้มที่จะถูกละเมิดความปลอดภัย โดยที่ผู้โจมตีสามารถเข้าถึงข้อมูลที่ละเอียดอ่อน เช่น บันทึกสุขภาพและข้อมูลทางการเงิน

นักวิจัยจาก MIT และ MIT-IBM Watson AI Lab ได้พัฒนาตัวเร่งความเร็วการเรียนรู้ของเครื่องจักรรูปแบบใหม่ที่ต้านทานวิธีการโจมตีสองวิธีที่พบบ่อยที่สุด โดยปกป้องข้อมูลที่ละเอียดอ่อนในขณะที่ยังคงประสิทธิภาพไว้ การออกแบบตัวเร่งความเร็วรวมเอาการปรับให้เหมาะสมเพื่อให้มั่นใจในความปลอดภัยที่แข็งแกร่งโดยมีผลกระทบต่อความเร็วและความแม่นยำน้อยที่สุด นี้ เทคโนโลยี ยังใช้ได้กับสาขาที่ขับเคลื่อนด้วย AI เช่น Augmented Reality และการขับขี่อัตโนมัติ

ข้อควรพิจารณาในการแลกเปลี่ยนและการออกแบบ

การใช้ชิปที่ปลอดภัยเหล่านี้ทำให้ต้นทุนเพิ่มขึ้นเล็กน้อยและลดประสิทธิภาพการใช้พลังงาน แต่สิ่งเหล่านี้มักจะยอมรับได้สำหรับการรักษาความปลอดภัยขั้นสูง ชิปประมวลผลในหน่วยความจำดิจิทัล (IMC) ใหม่รวมมาตรการรักษาความปลอดภัยเข้ากับฮาร์ดแวร์โดยตรง ทำการคำนวณภายในหน่วยความจำของอุปกรณ์ และลดการถ่ายโอนข้อมูลภายนอก สถาปัตยกรรมนี้ไม่เพียงแต่เพิ่มความเร็วในการประมวลผล แต่ยังเสริมความแข็งแกร่งในการป้องกันการโจมตีจากช่องทางด้านข้างและการตรวจสอบบัสอีกด้วย ด้วยการเข้ารหัสข้อมูลและสร้างคีย์ถอดรหัสที่ไม่ซ้ำกันบนชิป ทีมงานจึงสามารถบล็อกการละเมิดความปลอดภัยที่อาจเกิดขึ้นได้อย่างมีประสิทธิภาพ

ในสถานการณ์การทดสอบ นักวิจัยพยายามที่จะเจาะระบบของตนเองโดยใช้เทคนิคการแฮ็กทั่วไป แต่ไม่สามารถดึงข้อมูลที่ละเอียดอ่อนใดๆ ได้ โดยเน้นถึงประสิทธิภาพของมาตรการรักษาความปลอดภัย แม้ว่าต้นทุนด้านพลังงานและการผลิตจะเพิ่มขึ้น แต่การวิจัยที่กำลังดำเนินอยู่ก็มีเป้าหมายที่จะเพิ่มประสิทธิภาพด้านเหล่านี้ให้ดียิ่งขึ้น ทำให้เทคโนโลยีนี้มีความเป็นไปได้มากขึ้นสำหรับการใช้งานในวงกว้าง

นักวิจัยแสดงให้เห็นถึงก้าวสำคัญในการรักษาความปลอดภัยอุปกรณ์ Edge จากภัยคุกคามทางไซเบอร์ ซึ่งมีความสำคัญต่ออนาคตของเทคโนโลยีมือถือและ AI ในแอปพลิเคชันต่างๆ ความสมดุลของการรักษาความปลอดภัย ต้นทุน และประสิทธิภาพจะยังคงเป็นส่วนสำคัญที่มุ่งเน้นในการพัฒนาตัวเร่งความเร็วการเรียนรู้ของเครื่องจักรรุ่นต่อไป