The energetic cost of mitigating AI attacks in cellular networks

Immaginate Internet come una città gigante e frenetica, dove i dati sono il traffico e le torri cellulari sono i semafori. Per anni, questi semafori sono stati stupidi; seguivano semplicemente un programma fisso. Ma recentemente, gli ingegneri hanno installato dei "cervelli intelligenti" (chiamati Intelligenza Artificiale o Machine Learning) in questi semafori. Questi cervelli imparano dai modelli di traffico per far funzionare la città in modo più fluido, risparmiando energia e prevenendo ingorghi. Questa è la promessa delle moderne reti cellulari, specificamente di un nuovo sistema flessibile chiamato O-RAN, dove diverse parti della rete possono comunicare tra loro per prendere decisioni istantanee e intelligenti.

Tuttavia, proprio come un cervello intelligente può essere ingannato, anche questi cervelli di rete sono vulnerabili. Se un malintenzionato riesce a intrufolarsi e fornisce al cervello alcuni rapporti sul traffico "falsi", l'intero sistema può confondersi, prendendo decisioni terribili o addirittura andando in crash. Per fermare questo, gli esperti di sicurezza hanno costruito dei "guardiacorpi" per questi cervelli di IA: programmi progettati per individuare i dati falsi e scartarli prima che il cervello li apprenda. Ma ecco il problema: questi guardiacorpi devono lavorare sodo. Devono controllare ogni singolo pezzo di dati, eseguire calcoli complessi e addestrare modelli extra per rimanere al sicuro. La grande domanda che nessuno stava davvero ponendo finora è: quanta batteria serve per tenere questi guardiacorpi in servizio? Se il sistema di sicurezza consuma tutta l'energia, ne vanifica lo scopo di avere una rete intelligente ed efficiente?

Questo articolo approfondisce esattamente questa domanda. Gli autori, un team di ricercatori, hanno deciso di mettere alla prova una specifica guardia di sicurezza — chiamata "tecnica di mitigazione" — per vedere quanto costa effettivamente in termini di energia farla funzionare. Si sono concentrati su un tipo di attacco chiamato "data poisoning" (avvelenamento dei dati), in cui un attaccante cerca di corrompere i dati di addestramento dell'IA, e hanno testato un metodo di difesa chiamato "Deep Partition Aggregation" (DPA). Pensate al DPA come a una squadra di detective: invece di un singolo detective che cerca di risolvere l'intero caso da solo, i dati vengono divisi in molti piccoli gruppi e un detective diverso risolve ogni gruppo. Poi, tutti votano sulla risposta finale. Se alcuni detective vengono ingannati dal cattivo, la maggioranza onesta può comunque ottenere il risultato corretto.

I ricercatori hanno allestito un esperimento in un ambiente reale utilizzando hardware informatico standard e un comune dataset di immagini (CIFAR-10) per simulare questo scenario. Non hanno solo tirato a indovinare; hanno misurato l'elettricità effettivamente utilizzata (in Watt) e il tempo impiegato. I loro risultati hanno rivelato un complicato compromesso. Mentre la guardia di sicurezza (DPA) era molto brava a fermare i dati errati, il costo per farla funzionare dipendeva pesantemente da come la guardia era organizzata. Quando hanno utilizzato un numero moderato di "detective" (15 partizioni), il sistema rimaneva al sicuro e il costo energetico era gestibile. Tuttavia, quando hanno cercato di rendere il sistema "super sicuro" utilizzando un numero massiccio di detective (500 partizioni), il consumo di energia è schizzato alle stelle, utilizzando oltre 200 Watt-ora in più rispetto alla configurazione più piccola.

L'articolo mostra esplicitamente che la quantità di "dati falsi" che l'attaccante invia (il tasso di avvelenamento) non cambia l'energia utilizzata dalla difesa; il sistema lavora con la stessa intensità sia che l'attacco sia piccolo che grande. Il vero drenaggio energetico deriva dalla complessità della difesa stessa. Gli autori concludono che, sebbene queste misure di sicurezza siano necessarie, i progettisti di reti non possono ignorare il conto energetico. Suggeriscono che abbiamo bisogno di trovare un "punto di equilibrio" in cui la rete sia abbastanza sicura da fermare gli attacchi ma abbastanza efficiente da non sprecare potenza. Lo studio non sostiene di aver risolto il problema della sicurezza perfetta, ma fornisce un avvertimento chiaro e misurato: se volete che la vostra rete IA sia sicura, dovete pagarne il prezzo in energia, e il prezzo sale rapidamente se si cerca di renderla troppo robusta senza una pianificazione adeguata.