Безопасный ИИ-чип для смартфонов: быстрое вычисление с защитой данных пользователя

Проблема: ускорение ИИ на периферии vs безопасность

Медицинские приложения на смартфонах (хронические заболевания, фитнес) медленны и энергозатратны: огромные ML-модели шаттлятся между телефоном и центральным сервером. Аппаратные ускорители (in-memory compute) ускоряют, но уязвимы для атак: похищение секретных данных через боковые каналы (потребление энергии) и зондирование шины (данные между ускорителем и off-chip памятью).

Решение MIT + MIT-IBM Watson AI Lab

Создан ускоритель ML, устойчивый к двум основным типам атак, сохраняющий приватность здоровья/финансов при эффективной работе огромных ИИ-моделей на устройстве. Полезно для AR/VR, автономного вождения.

Компромисс: чуть дороже и менее энергоэффективно, но «иногда это платится за безопасность» (Мейтрейи Ашок, MIT EECS). «Безопасность с нуля — иначе запретительно дорого».

Трехпролонговый подход к защите

1. Разделение данных на случайные части (маскирование)

Бит 0 → 3 бита, сумма = 0 после логической операции. Ускоритель никогда не вычисляет со всеми частями одновременно → боковой канал не может восстановить реальную информацию. Проблема: миллионы операций требуют много случайных бит. Решение: упрощение вычислений для эффективного разделения без случайных бит.

2. Легкий шифр для off-chip памяти

Шифрование модели в off-chip памяти простыми вычислениями. Расшифровка только нужных кусков на чипе когда необходимо — защита от зондирования шины.

3. Генерация ключа на чипе через физически неклонируемую функцию (PUF)

Ключ дешифровки генерируется на чипе из случайных вариаций производства (толщина проводов) — уникальный, стабильный ключ. Использование несовершенств ячеек памяти для генерации — меньше вычислений, чем с нуля.

Результаты тестирования

• Миллионы атак-неудач: не восстановлена реальная информация, не извлечены части модели/датасета, шифр не взломан
• Незащищенный чип: вскрыт за ~5000 сэмплов
• Цена: сниженная энергоэффективность и большая площадь чипа → выше стоимость

Дальнейшая работа

Снижение энергопотребления и размера для масштабного внедрения. Ашок: «Может, чуть менее безопасно, но дешевле и проще внедрение». Проф. Ананта Чандракасан (MIT): такие дизайны критичны для будущих мобильных устройств — полный системный стек с фокусом на безопасную операцию.

Источник: MIT, MIT-IBM Watson AI Lab.