The energetic cost of mitigating AI attacks in cellular networks

인터넷을 데이터가 교통량이고 기지국이 신호등인 거대하고 북적이는 도시라고 상상해 보십시오. 수년 동안 이 신호등들은 단순히 정해진 일정에 따라 움직이는 멍청한 존재였습니다. 하지만 최근 엔지니어들은 이 신호등에 "스마트한 두뇌"(인공지능 또는 머신러닝이라 불리는)를 설치했습니다. 이 두ها들은 교통 패턴을 학습하여 도시가 더 원활하게 돌아가도록 하고, 에너지를 절약하며 정체를 방지합니다. 이것이 현대 셀룰러 네트워크, 구체적으로는 서로 다른 네트워크 구성 요소들이 서로 대화하며 즉각적이고 스마트한 결정을 내릴 수 있게 하는 O-RAN이라는 새로운 유연한 시스템의 약속입니다.

하지만 스마트한 두뇌도 속을 수 있는 것처럼, 이러한 네트워크의 두뇌들도 취약합니다. 만약 나쁜 의도를 가진 자가 몰래 들어와 두뇌에 몇 가지 "가짜" 교통 보고서를 입력한다면, 전체 시스템은 혼란에 빠져 끔찍한 결정을 내리거나 심지어 붕괴될 수도 있습니다. 이를 막기 위해 보안 전문가들은 이 AI 두뇌들을 위한 "보디가드"—가짜 데이터를 감지하고 두뇌가 이를 학습하기 전에 버리도록 설계된 프로그램—를 구축했습니다. 하지만 여기에는 함정이 있습니다. 이 보디가드들은 매우 힘들게 일해야 합니다. 이들은 모든 데이터 조각을 확인하고, 복잡한 계산을 수행하며, 안전을 유지하기 위해 추가적인 모델을 훈련시켜야 합니다. 지금까지 아무도 제대로 묻지 않았던 큰 질문은 이것입니다: 이 보디가드들을 근무 상태로 유지하는 데 배터리 전력이 얼마나 소모되는가? 만약 보안 시스템이 모든 에너지를 잡아먹는다면, 그것이 과연 스마트하고 효율적인 네트워크를 갖추려는 목적을 달enc하는 것일까요?

이 논문은 바로 그 질문을 깊이 파고듭니다. 저자들인 연구팀은 특정 보안 요원, 즉 "완화 기법"이라 불리는 것을 테스트하여 이를 실행하는 데 실제로 에 얼마나 많은 에너지가 드는지 알아보기로 했습니다. 그들은 공격자가 AI의 학습 데이터를 오염시키려 시도하는 "데이터 포이즈닝(data poisoning)"이라는 유형의 공격에 집중했으며, "딥 파티션 어그리게이션(Deep Partition Aggregation, DPA)"이라는 방어 방법을 테스트했습니다. DPA를 탐정 팀에 비유해 본다면, 한 명의 탐정이 사건 전체를 혼자 해결하려고 노력하는 대신, 데이터를 여러 개의 작은 그룹으로 나누고 각 그룹마다 다른 탐정이 문제를 해결하는 방식입니다. 그 후, 그들은 최종 결과에 대해 투표합니다. 만약 몇 명의 탐정이 악당에게 속더라도, 정직한 다수가 여전히 올바른 결과를 낼 수 있습니다.

연구진은 이 시나리오를 시뮬레이션하기 위해 표준 컴퓨터 하드웨어와 흔히 쓰이는 이미지 데이터셋인 CIFAR-10을 사용하여 실제 환경과 유사한 실험을 설정했습니다. 그들은 단순히 추측한 것이 아니라, 실제 사용된 전력량(와트)과 소요 시간을 측정했습니다. 그들의 연구 결과는 까다로운 트레이드오프(trade-off) 관계를 드러냈습니다. 보안 요원(DPA)이 가짜 데이터를 막는 데는 매우 효과적이었지만, 이를 실행하는 비용은 보안 요원이 어떻게 조직되느냐에 따라 크게 달라졌습니다. "탐정"의 수를 적절하게 사용했을 때(15개 파티션), 시스템은 안전을 유지하면서 에너지 비용도 관리 가능한 수준이었습니다. 그러나 시스템을 "초강력 보안"으로 만들기 위해 엄청난 수의 탐정(500개 파티션)을 투입했을 때는 에너지 소비량이 급증하여, 작은 규모의 설정보다 200와트시(Watt-hours) 이상을 더 사용했습니다.

이 논문은 공격자가 보내는 "가짜 데이터"의 양(포이즈닝 비율)은 방어에 사용하는 에너지를 실제로 변화시키지 않는다는 점을 명시적으로 보여줍니다. 즉, 공격이 작든 크든 시스템은 똑같이 열심히 작동합니다. 진짜 에너지 소모의 원인은 방어 기제 자체의 복잡성에서 옵인 것입니다. 저자들은 이러한 보안 조치들이 필요하긴 하지만, 네트워크 설계자들이 에너지 청구서를 무시해서는 안 된다고 결론짓습니다. 그들은 네트워크가 충분히 안전하면서도 전력을 낭비하지 않을 만큼 효율적인 "최적의 지점(sweet spot)"을 찾아야 한다고 제안합니다. 이 연구는 완벽한 보안의 문제를 해결했다고 주장하는 것이 아니라, 명확하고 측정된 경고를 제공합니다. 즉, AI 네트워크를 안전하게 만들고 싶다면 그 대가를 치러야 하며, 계획 없이 너무 강력한 보안을 구축하려 한다면 그 가격표는 빠르게 올라간다는 것입니다.