Die digitale Welt verlässt sich auf eine Reihe unsichtbarer Schlösser, um unsere sensibelsten Informationen sicher aufzubewahren. Wenn ein Krankenhaus Patientendaten versendet, eine Bank eine Transaktion verarbeitet oder ein Verteidigungssystem seine Software aktualisiert, stellen diese Schlösser sicher, dass nur der beabsichtigte Empfänger die Nachricht öffnen kann. Jahrzehntelang wurden diese Schlösser auf komplexen mathematischen Rätseln aufgebaut, die involving großer Zahlen leicht zu erstellen, aber fast unmöglich zu lösen sind, ohne den richtigen Schlüssel zu besitzen. Doch ein neuer Typ eines leistungsfähigen Computers, bekannt als Quantencomputer, nähert sich einer Leistungsfähigkeit, die in der Lage wäre, diese Rätsel in Augenblicken zu lösen, was die derzeitigen Schlösser nutzlos machen würde. Diese Bedrohung ist nicht nur eine Frage der Zukunft; sie findet bereits statt. Gegner stehlen und speichern derzeit verschlüsselte Daten in der Erwartung, dass sie diese entschlüsseln können, sobald die Quantentechnologie ausgereift ist. Diese Strategie, bekannt als „Harvest Now, Decrypt Later“ (Jetzt ernten, später entschlüsseln), bedeutet, dass heute gesendete Daten morgen offengelegt werden könnten. Die Herausforderung besteht darin, diese alten Schlösser durch neue zu ersetzen, die selbst ein Quantencomputer nicht brechen kann, ohne dabei die komplexen Systeme der künstlichen Intelligenz zu verlangsamen, die nun unsere kritische Infrastruktur steuern.

Ein Forscher am Massachusetts Institute of Technology hat dieses Problem angegangen, indem er untersuchte, wie diese neuen, quantenresistenten Schlösser performen, wenn sie auf Arbeitslasten der künstlichen Intelligenz angewendet werden. Die Studie konzentriert sich auf einen spezifischen Satz neuer Sicherheitsstandards, die kürzlich vom National Institute of Standards and Technology finalisiert wurden. Diese Standards führen neue Algorithmen für zwei Hauptaufgaben ein: den Aufbau einer sicheren Verbindung (Schlüsselaustausch) und die Verifizierung der Identität (digitale Signaturen). Der Forscher testete diese Algorithmen nicht nur auf Standardcomputern; stattdessen testete sie auf der vielfältigen Hardware-Mischung, auf der moderne künstliche Intelligenz tatsächlich läuft. Dies umfasst leistungsstarke Grafikprozessoren, Allzweck-Computerchips und winzige, speicherbeschränkte Controller, die in Edge-Geräten zu finden sind. Das Ziel war es zu sehen, ob die Aufrüstung auf diese neuen Sicherheitsmaßnahmen die strengen Zeitvorgaben der künstlichen Intelligenz unterbrechen würde oder ob die Systeme die Änderung reibungslos bewältigen könnten.

Die Untersuchung begann mit der Einrichtung von drei verschiedenen Szenarien, um diese miteinander zu vergleichen. Das erste Szenario verwendete die derzeit in Gebrauch befindlichen, klassischen Sicherheitsmethoden. Das zweite Szenario verwendete ausschließlich die neuen, quantenresistenten Methoden. Das dritte Szenario nutzte einen hybriden Ansatz, der sowohl die alten als auch die neuen Methoden gleichzeitig kombiniert, um Sicherheit während einer Übergangsphase zu gewährleisten. Diese Setups wurden über drei verschiedene Arten von KI-Aufgaben getestet. Die erste war die Echtzeit-Inferenz, bei der ein Large Language Model Fragen augenblicklich beantwortet. Die zweite war das verteilte Training, bei dem mehrere Computer zusammenarbeiten, um ein Modell zu lehren. Die dritte war das föderierte Lernen, bei dem Modelle über verschiedene Organisationen hinweg trainiert werden, ohne Rohdaten zu teilen. Durch das Durchlaufen tausender Iterationen dieser Aufgaben maß der Forscher exakt, wie viel Zeit und Speicher die neuen Sicherheitsmethoden im Vergleich zu den alten beanspruchten.

Die Ergebnisse offenbarten eine klare und etwas überraschende Spaltung in der Art und Weise, wie die neue Sicherheit verschiedene Teile des Systems beeinflusst. Die Aufgabe des Aufbaus einer sicheren Verbindung, der erste Schritt in jeder Kommunikation, zeigte kaum Probleme. Die neue Methode für diesen Schritt fügte dem initialen Handshake eine geringe Menge an Daten hinzu, aber da dies nur einmal zu Beginn einer Verbindung geschieht, verteilt sich der Aufwand über viele nachfolgende Anfragen. Für große KI-Modelle war dieser zusätzliche Aufwand so gering, dass er kaum bemerkbar war und effektiv im Hintergrund verschwand. Dies bedeutet, dass der Schutz der Privatsphäre von Daten während der Übertragung eine handhabbare Aufgabe ist, die mit minimalem Einfluss auf die Performance aufgerüstet werden kann.

Die Situation war jedoch bei der Verifizierung der Identität anders. Die neuen digitalen Signaturen, die erforderlich sind, um zu beweisen, dass eine Nachricht oder ein Modell-Update echt ist, sind signifikant größer als die alten. In den Tests sprang die Größe dieser Signaturen von wenigen Dutzend Bytes auf mehrere tausend Bytes. Auf leistungsstarken Servern wurde dieser Zuwachs problemlos absorbiert. Aber auf den kleineren, eingebetteten Controllern und spezialisierten Chips, die am Rand des Netzwerks sitzen, erzeugte dieser Größenzuwachs ein strukturelles Problem. Diese Geräte verfügen über feste Speichermengen und starre Limits bezüglich der Datenmenge, die sie in ihren Zertifikaten speichern können. Die neuen, größeren Signaturen drohten, diese Limits zu überschreiten, was potenziell die Fähigkeit des Geräts untergräbt, seine eigene Identität zu verifizieren. Die Studie fand heraus, dass die eigentliche Schwierigkeit nicht in der Geschwindigkeit der Berechnung lag, sondern darin, diese viel größeren Datenstücke in die kleinen, unveränderlichen Räume unterzubringen, die für die alten, kleineren Daten vorgesehen waren.

Basierend auf diesen Erkenntnissen schlug der Forscher einen praktischen Rahmen vor, damit Organisationen ihre Systeme ohne Unterbrechungen migrieren können. Der Ansatz legt nahe, dass Unternehmen dies nicht als einen einzigen, massiven technischen Austausch behandeln sollten, sondern als eine gestufte Modernisierungsbemühung. Der erste Schritt ist die Sicherung der Verbindungen für Daten in der Übertragung, da dies die dringendste Bedrohung aufgrund der „Harvest Now, Decrypt Later“-Strategie darstellt und fast keine Performance-Einbußen verursacht. Sobald die Verbindungen sicher sind, sollte sich der Fokus auf das schwierigere Problem der Identitätsverifizierung verlagern. Diese zweite Phase sollte sorgfältig gehandhabt werden, beginnend mit den flexibelsten Systemen und sich zu der am stärksten beschränkten Hardware vorarbeitend. Für die winzigen, eingebetteten Geräte sieht der Plan vor, deren Firmware und Zertifikatsspeicher zu aktualisieren, um die größeren Signaturen aufzunehmen – eine Aufgabe, die technisches Engineering erfordert und nicht bloß ein Software-Patch ist.

Die Studie kommt zu dem Schluss, dass die Angst, dass Quantencomputer die Sicherheit der künstlichen Intelligenz brechen könnten, weitgehend fehl am Platz ist, wenn die Migration mit einer klaren Strategie durchgeführt wird. Die Performance-Kosten der neuen Sicherheit sind kein Hindernis für die meisten Systeme; die Herausforderung ist primär eine der Organisation und des Engineerings. Indem Organisationen den Schutz von Daten in der Übertragung priorisieren und dann methodisch die Speicherlimits der Identitätsverifizierung auf kleineren Geräten adressieren, können sie ihre KI-Arbeitslasten gegen zukünftige Bedrohungen absichern. Der Weg nach vorn besteht nicht darin, eine magische Lösung zu finden, die alles schneller macht, sondern darin, zu verstehen, wo die neue Sicherheit einfügt, und die Hardware und Software so anzupassen, dass Platz dafür geschaffen wird. Dieser Ansatz stellt sicher, dass die Systeme, die unsere kritische Infrastruktur schützen, robust bleiben, selbst während sich die zugrunde liegende Technologie weiterentwickelt.