Ein Forschungsteam der Arizona State University und der University of Maryland hat ein technisches Papier veröffentlicht, das ein innovatives Framework namens SEAL vorstellt, welches darauf ausgelegt ist, Sicherheitsherausforderungen in 3D-Compute-in-Memory (CiM)-Prozessoren zu bewältigen. Diese Innovation zielt darauf ab, Fehlerschwachstellen zu reduzieren, die durch die gemeinsame Nutzung von Stromversorgungsnetzen in Multi-Tenant-Umgebungen entstehen.
Was verändert das SEAL-Framework?
3D-Compute-in-Memory-Prozessoren basieren auf dem Stapeln verschiedener Speicherschichten, um die Inferenz tiefer neuronaler Netze zu beschleunigen. Die gemeinsame Nutzung von Energieressourcen zwischen verschiedenen Benutzern (Multi-Tenancy) eröffnet jedoch Sicherheitslücken, die ausgenutzt werden können. Das SEAL-Framework optimiert die Verteilung der Schichten neuronaler Netze über die physischen Schichten des Prozessors auf intelligente Weise, indem es die kritischsten und sensibelsten Schichten des neuronalen Netzes mit den widerstandsfähigsten und fehlerresistentesten physischen Schichten verknüpft.
Leistungs- und Sicherheitsergebnisse
Bewertungen, die mit Modellen wie ResNet-18 und Qwen2.5-3B durchgeführt wurden, zeigten eine deutliche Verbesserung der Fehlerresistenz:
- Erreichung einer Reduzierung der Fehlerschwachstelle um das bis zu 3,9-fache für das ResNet-18-Modell.
- Erreichung einer Reduzierung der Fehlerschwachstelle um das bis zu 7,8-fache für das Qwen2.5-3B-Modell.
- In Konfigurationen, die stark auf ReRAM-Speicher setzen, gelang es SEAL, alle hochkritischen Schichten in Schichten mit geringer Fehleranfälligkeit zu platzieren, wodurch die Wahrscheinlichkeit des Auftretens von Fehlern auf das technisch mögliche Minimum reduziert wurde.
Was bedeutet das für die Nutzer?
Dieser Ansatz stellt sicher, dass die Genauigkeit intelligenter Modelle erhalten bleibt; die Genauigkeit von ResNet-18 blieb innerhalb eines Bereichs von 0,06 Prozentpunkten des fehlerfreien Ausgangswerts, während das Qwen2.5-3B-Modell das Perplexity-Niveau innerhalb desselben Bereichs beibehielt. Diese Entwicklung stellt einen wichtigen Schritt zur Sicherung der Hardware-Infrastruktur dar, auf der künstliche Intelligenz läuft, insbesondere in Rechenzentren, die auf fortschrittliche Speichertechnologien setzen, bei denen die Leistung nicht nur auf Geschwindigkeit basiert, sondern auch die Sicherheit und Zuverlässigkeit gegen Angriffe umfasst, die die Systemstabilität über Stromnetze gefährden.