The energetic cost of mitigating AI attacks in cellular networks

Stellen Sie sich das Internet als eine riesige, belebte Stadt vor, in der die Daten der Verkehr sind und die Mobilfunkmasten die Ampeln darstellen. Jahrelang waren diese Ampeln „dumm“; sie folgten einfach einem festen Zeitplan. Doch vor kurzem haben Ingenieure „kluge Gehirne“ (genannt Künstliche Intelligenz oder Maschinelles Lernen) in diese Ampeln eingebaut. Diese Gehirne lernen aus den Verkehrsmustern, um die Stadt reibungsloser ablaufen zu lassen, Energie zu sparen und Staus zu verhindern. Dies ist das Versprechen moderner Mobilfunknetze, insbesondere eines neuen, flexiblen Systems namens O-RAN, bei dem verschiedene Teile des Netzwerks miteinander kommunizieren können, um sofortige, intelligente Entscheidungen zu treffen.

Doch genau wie ein kluges Gehirn getäuscht werden kann, sind auch diese Netzwerkgehirne verwundbar. Wenn sich ein böswilliger Akteur einschleicht und dem Gehirn ein paar „gefälschte“ Verkehrsberichte füttert, kann das gesamte System verwirrt werden, was zu schrecklichen Entscheidungen oder sogar zum Absturz führt. Um dies zu verhindern, haben Sicherheitsexperten „Leibwächter“ für diese KI-Gehirne gebaut – Programme, die darauf ausgelegt sind, die gefälschten Daten zu erkennen und herauszuwerfen, bevor das Gehirn daraus lernt. Aber hier liegt der Haken: Diese Leibwächter müssen hart arbeiten. Sie müssen jedes einzelne Datenstück prüfen, komplexe Berechnungen durchführen und zusätzliche Modelle trainieren, um sicher zu bleiben. Die große Frage, die bisher niemand gestellt hat, lautet jedoch: Wie viel Batterieleistung kostet es, diese Leibwächter im Dienst zu halten? Wenn das Sicherheitssystem die gesamte Energie verbraucht, macht das dann den Zweck eines smarten, effizienten Netzwerks überhaupt noch Sinn?

Dieses Paper taucht genau in diese Frage ein. Die Autoren, ein Team von Forschern, beschlossen, einen spezifischen Sicherheitswächter – eine sogenannte „Mitigationstechnik“ – auf die Probe zu stellen, um zu sehen, wie viel Energie der Betrieb tatsächlich kostet. Sie konzentrierten sich auf eine Art von Angriff namens „Data Poisoning“ (Datenvergiftung), bei dem ein Angreifer versucht, die Trainingsdaten der KI zu korrumpieren, und sie testeten eine Verteidigungsmethode namens „Deep Partition Aggregation“ (DPA). Stellen Sie sich DPA wie ein Team von Detektiven vor: Anstatt dass ein einzelner Detektiv versucht, den gesamten Fall allein zu lösen, werden die Daten in viele kleine Gruppen aufgeteilt, und ein anderer Detektiv löst jede Gruppe. Wenn dann ein paar Detektive vom Bösewicht getäusft werden, kann die ehrliche Mehrheit immer noch das richtige Ergebnis erzielen.

Die Forscher bauten ein reales Experiment unter Verwendung von Standard-Computerhardware und einem gängigen Bilddatensatz (CIFAR-10) auf, um dieses Szenario zu simulieren. Sie haben nicht nur geraten; sie haben den tatsächlichen Stromverbrauch (in Watt) und die benötigte Zeit gemessen. Ihre Ergebnisse zeigten einen schwierigen Kompromiss auf. Während der Sicherheitswächter (DPA) sehr gut darin war, die schlechten Daten zu stoppen, hing die Kosten für den Betrieb des Wächters stark davon ab, wie dieser organisiert war. Wenn sie eine moderate Anzahl von „Detektiven“ (15 Partitionen) verwendeten, blieb das System sicher und die Energiekosten waren überschaubar. Als sie jedoch versuchten, das System „super sicher“ zu machen, indem sie eine massive Anzahl von Detektiven (500 Partitionen) einsetzten, schoss der Energieverbrauch in die Höhe und verbrauchte über 200 Wattstunden mehr als der kleinere Aufbau.

Das Paper zeigt explizit, dass die Menge der „gefälschten Daten“, die der Angreifer sendet (die Poisoning-Rate), den Energieverbrauch der Verteidigung tatsächlich nicht verändert; das System arbeitet genauso hart, egal ob der Angriff klein oder groß ist. Die wahre Energiefalle kommt von der Komplexität der Verteidigung selbst. Die Autoren kommen zu dem Schluss, dass diese Sicherheitsmaßnahmen zwar notwendig sind, Netzwerkdesigner aber die Stromrechnung nicht ignorieren können. Sie schlagen vor, dass wir einen „Sweet Spot“ finden müssen, bei dem das Netzwerk sicher genug ist, um Angriffe zu stoppen, aber effizient genug, um keine Energie zu verschwenden. Die Studie behauptet nicht, das Problem der perfekten Sicherheit gelöst zu haben, aber sie liefert eine klare, gemessene Warnung: Wenn Sie Ihr KI-Netzwerk sicher haben wollen, müssen Sie dafür mit Energie bezahlen, und der Preis steigt schnell an, wenn Sie versuchen, es zu robust zu machen, ohne zu planen.