De digitale wereld vertrouwt op een reeks onzichtbare sloten om onze meest gevoelige informatie veilig te houden. Wanneer een ziekenhuis patiëntendossiers verstuurt, een bank een transactie verwerkt of een defensiesysteem zijn software bijwerkt, zorgen deze sloten ervoor dat alleen de beoogde ontvanger het bericht kan openen. Decennialang zijn deze sloten gebouwd op complexe wiskundige puzzels met grote getallen, die gemakkelijk te creëren zijn maar bijna onmogelijk op te lossen zonder de juiste sleutel. Echter, een nieuw type krachtige computer, bekend als een quantumcomputer, nadert een niveau van capaciteit waarbij het deze puzzels in momenten zou kunnen oplossen, waardoor de huidige sloten nutteloos worden. Deze dreiging gaat niet alleen over de toekomst; het gebeurt nu al. Adversariërs stelen en slaan momenteel versleutelde gegevens op, in de hoop dat ze deze kunnen ontcijferen zodra de quantumtechnologie volwassen is. Deze strategie, bekend als "harvest now, decrypt later" (nu oogsten, later ontcijferen), betekent dat gegevens die vandaag worden verzonden, morgen blootgesteld kunnen worden. De uitdaging is om deze oude sloten te vervangen door nieuwe die zelfs een quantumcomputer niet kan breken, zonder de complexe kunstmatige intelligentiesystemen die nu onze kritieke infrastructuur aansturen te vertragen.

Een onderzoeker aan het Massachusetts Institute of Technology heeft dit probleem aangepakt door te bestuderen hoe deze nieuwe, quantum-resistente sloten presteren wanneer ze worden toegepast op workloads van kunstmatige intelligentie. De studie richt zich op een specifieke set nieuwe beveiligingsstandaarden die recentelijk zijn afgerond door het National Institute of Standards and Technology. Deze standaarden introduceren nieuwe algoritmen voor twee hoofdtaken: het estabeleceren van een veilige verbinding (sleuteluitwisseling) en het verifiëren van identiteit (digitale handtekeningen). De onderzoeker testte deze algoritmen niet alleen op standaardcomputers; in plaats daarvan testte zij ze op de diverse mix van hardware waar moderne kunstmatige intelligentie daadwerkelijk op draait. Dit omvat krachtige grafische processoren, algemene computerchips en kleine, geheugenbeperkte controllers die in edge-apparaten worden gevonden. Het doel was om te zien of het upgraden naar deze nieuwe beveiligingsmaatregelen de strikte tijdsvereisten van kunstmatige intelligentie zou breken of dat de systemen de verandering soepel zouden kunnen verwerken.

Het onderzoek begon met het opzetten van drie verschillende scenario's om deze met elkaar te vergelijken. Het eerste scenario gebruikte de huidige, klassieke beveiligingsmethoden die vandaag de dag in gebruik zijn. Het tweede scenario gebruikte uitsluitend de nieuwe, quantum-resistente methoden. Het derde scenario gebruikte een hybride aanpak, waarbij zowel de oude als de nieuwe methoden gelijktijdig worden gecombineerd om veiligheid tijdens een overgangsperiode te garanderen. Deze opstellingen werden getest over drie verschillende soorten kunstmatige intelligentie-taken. De eerste was real-time inferentie, waarbij een groot taalmodel direct vragen beantwoordt. De tweede was gedistribueerde training, waarbij meerdere computers samenwerken om een model te onderwijzen. De derde was federated learning, waarbij modellen worden getraind over verschillende organisaties heen zonder ruwe gegevens te delen. Door duizenden iteraties van deze taken uit te voeren, mat de onderzoeker exact hoeveel tijd en geheugen de nieuwe beveiligingsmethoden vereisten in vergelijking met de oude.

De resultaten onthulden een duidelijke en enigszins verrassende splitsing in hoe de nieuwe beveiliging verschillende delen van het systeem beïnvloedt. De taak van het estabeleceren van een veilige verbinding, wat de eerste stap is in elke communicatie, vertoonde zeer weinig problemen. De nieuwe methode voor deze stap voegde een kleine hoeveelheid gegevens toe aan de initiële handshake, maar omdat dit slechts één keer aan het begin van een verbinding gebeurt, wordt de kosten verdeeld over vele daaropvolgende verzoeken. Voor grote kunstmatige intelligentiemodellen was deze extra kost zo klein dat het nauwelijks opviel, waardoor het effectief verdween in de achtergrond. Dit betekent dat het beschermen van de privacy van gegevens in transit een beheersbare taak is die met minimale impact op de prestaties kan worden geüpgraded.

Echter, de situatie was anders voor het verifiëren van identiteit. De nieuwe digitale handtekeningen die nodig zijn om te bewijzen dat een bericht of modelupdate echt is, zijn aanzienlijk groter dan de oude. In de tests sprong de grootte van deze handtekeningen van enkele tientallen bytes naar enkele duizenden bytes. Op krachtige servers werd deze toename gemakkelijk geabsorbeerd. Maar op de kleinere, ingebedde controllers en gespecialiseerde chips die aan de rand van het netwerk zitten, creëerde deze toename in grootte een structureel probleem. Deze apparaten hebben een vaste hoeveelheid geheugen en rigide limieten voor de hoeveelheid gegevens die ze in hun certificaten kunnen opslaan. De nieuwe, grotere handtekeningen vormden een bedreiging voor het overschrijden van deze limieten, wat potentieel het vermogen van het apparaat om zijn eigen identiteit te verifiëren, kon breken. De studie vond dat de echte moeilijkheid niet lag in de snelheid van de berekening, maar in het passen van deze veel grotere stukken gegevens in de kleine, onveranderlijke ruimtes die ontworpen waren voor de oude, kleinere stukken.

Op basis van deze bevindingen stelde de onderzoeker een praktisch kader voor aan organisaties om hun systemen te migreren zonder verstoring te veroorzaken. De aanpak suggereert dat bedrijven dit niet moeten behanden als één enkele, massale technische vervanging, maar als een gefaseerde modernisering. De eerste stap is het beveiligen van de verbindingen voor gegevens in transit, aangezien dit de meest urgente dreiging is vanwege de "harvest now, decrypt later"-strategie en vrijwel geen prestatie-impact heeft. Zodra de verbindingen veilig zijn, moet de focus verschuiven naar het moeilijkere probleem van identiteitsverificatie. Deze tweede fase moet zorgvuldig worden afgehandeld, beginnend bij de meest flexibele systemen en bewegend naar de meest beperkte hardware. Voor de kleine, ingebedde apparaten houdt het plan in dat de firmware en de opslag van certificaten worden bijgewerkt om de grotere handtekeningen te accommoderen, een taak die aandacht vereist voor engineering in plaats van alleen een softwarepatch.

De studie concludeert dat de angst dat quantumcomputers de beveiliging van kunstmatige intelligentie zullen breken grotendeels misplaatst is als de migratie met een duidelijke strategie wordt afgehandeld. De prestatiekosten van de nieuwe beveiliging zijn geen barrière voor de meeste systemen; de uitdaging is primair een kwestie van organisatie en engineering. Door eerst prioriteit te geven aan de bescherming van gegevens in transit en vervolgens methodisch de opslaglimieten van identiteitsverificatie op kleinere apparaten aan te pakken, kunnen organisaties hun kunstmatige intelligentie-workloads beveiligen tegen toekomstige dreigingen. De weg vooruit gaat niet over het vinden van een magische oplossing die alles sneller maakt, maar over het begrijpen waar de nieuwe beveiliging past en het aanpassen van de hardware en software om er ruimte voor te maken. Deze aanpak zorgt ervoor dat de systemen die onze kritieke infrastructuur beschermen robuust blijven, zelfs terwijl de technologie eronder evolueert.