The energetic cost of mitigating AI attacks in cellular networks

Stel je het internet voor als een enorme, bruisende stad waar data het verkeer is en zendmasten de verkeerslichten. Jarenlang waren deze verkeerslichten dom; ze volgden gewoon een vast schema. Maar onlangs hebben ingenieurs "slimme hersenen" (Artificial Intelligence of Machine Learning genoemd) in deze lichten geïnstalleerd. Deze hersenen leren van de verkeerspatronen om de stad soepeler te laten verlopen, wat energie bespaart en files voorkomt. Dit is de belofte van moderne cellulaire netwerken, specifiek een nieuw, flexibel systeem genaamd O-RAN, waarbij verschillende onderdelen van het netwerk met elkaar kunnen communiceren om razendsnelle, slimme beslissingen te nemen.

Echter, net zoals een slim brein bedrogen kan worden, zijn deze netwerkhersenen kwetsbaar. Als een kwaadwillende zich binnensluipt en de hersenen een paar "nep" verkeersrapporten voert, raakt het hele systeem in de war, wat leidt tot vreselijke beslissingen of zelfs een crash. Om dit te stoppen, hebben beveiligingsexperts "lijfwachten" gebouwd voor deze AI-hersenen—programma's die ontworpen zijn om de nepdata te herkennen en eruit te gooien voordat de hersenen ervan leren. Maar hier zit de adder onder het gras: deze lijfwachten moeten hard werken. Ze moeten elk stukje data controleren, complexe berekeningen uitvoeren en extra modellen trainen om veilig te blijven. De grote vraag die tot nu toe niemand echt stelde, is: hoeveel batterijvermogen kost het om deze lijfwachten op wacht te houden? Als het beveiligingssysteem alle energie opslokt, doet dat dan het doel van een slim, efficiënt netwerk nog wel zin?

Dit artikel duikt in die exacte vraag. De auteurs, een team van onderzoekers, besloten een specifieke beveiligingsbewaker—een "mitigatietechniek" genoemd—op de proef te stellen om te zien hoeveel energie het daadwerkelijk kost om te draaien. Ze richtten zich op een type aanval genaamd "data poisoning", waarbij een aanvaller probeert de AI-trainingsdata te corrumperen, en ze testten een verdedigingsmethode genaamd "Deep Partition Aggregation" (DPA). Denk aan DPA als een team van detectives: in plaats van één detective die probeert de hele zaak alleen op te lossen, wordt de data opgesplitst in veel kleine groepjes, en lost een andere detective elke groep op. Als een paar detectives door de boef worden misleid, kan de eerlijke meerderheid nog steeds het juiste resultaat behalen.

De onderzoekers zetten een experiment in de echte wereld op met standaard computerhardware en een veelvoorkomende afbeeldingendataset (CIFAR-10) om dit scenario te simuleren. Ze gokten niet alleen; ze maten de werkelijke elektriciteit die werd gebruikt (in Watt) en de tijd die het in beslag nam. Hun bevindingen onthulden een lastige afweging. Hoewel de beveiligingsbewaker (DPA) erg goed was in het stoppen van de slechte data, hing de kosten van het draaien ervan sterk af van hoe de bewaker georganiseerd was. Wanneer ze een gematigd aantal "detectives" gebruikten (15 partities), bleef het systeem veilig en waren de energiekosten beheersbaar. Echter, wanneer ze het systeem "superveilig" wilden maken door een enorm aantal detectives te gebruiken (500 partities), schoot het energieverbruik omhoog, waarbij het meer dan 200 Wattuur meer verbruikte dan de kleinere opstelling.

Het artikel laat expliciet zien dat de hoeveelheid "nepdata" die de aanvaller stuurt (de poisoning rate) de energie die de verdediging verbruikt niet verandert; het systeem werkt even hard bij een kleine of een grote aanval. De echte energieverslinder komt voort uit de complexiteit van de verdediging zelf. De auteurs concluderen dat hoewel deze beveiligingsmaatregelen noodzakelijk zijn, netwerkontwerpers de energierekening niet kunnen negeren. Ze suggereren dat we een "sweet spot" moeten vinden waar het netwerk veilig genoeg is om aanvallen te stoppen, maar efficiënt genoeg om geen stroom te verspillen. De studie beweert niet het probleem van perfecte beveiliging te hebben opgelost, maar biedt wel een duidelijke, gemeten waarschuwing: als je wilt dat je AI-netwerk veilig is, moet je daarvoor betalen in energie, en de prijs stijgt snel als je probeert het te robuust te maken zonder planning.