ಸಂಶೋಧಕರು ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುವಾಗ ಅವುಗಳಿಂದ ಖಾಸಗಿ ಡೇಟಾವನ್ನು ಕದಿಯಬಲ್ಲ ಹೊಸ ವರ್ಗದ ಕ್ಯಾಶ್ ಸೈಡ್-ಚಾನೆಲ್ ದಾಳಿಗಳನ್ನು (cache side-channel attacks) ಪತ್ತೆಹಚ್ಚಿದ್ದಾರೆ. ಈ ದಾಳಿಗಳು ಹಾರ್ಡ್ವೇರ್-ಕ್ಯಾಶ್ ಚಟುವಟಿಕೆಯನ್ನು ಓದುತ್ತವೆ ಮತ್ತು ಟೈಮಿಂಗ್ ಅನಾಲಿಸಿಸ್ ಮೂಲಕ, ಸಂವೇದನಾಶೀಲ ಮಾಡೆಲ್ ಇನ್ಪುಟ್ಗಳು ಅಥವಾ ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸುತ್ತವೆ—ಇದು ಆನ್-ಡೈವೈಸ್ ಇನ್ಫರೆನ್ಸ್ (on-device inference) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುವ ಯಾವುದೇ ಸೇವೆಗೆ ಅಪಾಯವನ್ನುಂಟು ಮಾಡುತ್ತದೆ.
ಹಾರ್ಡ್ವೇರ್ ಏಕೆ ಮುಖ್ಯ
ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (DNNs) ತಮ್ಮ ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟ್ ಸಮಯವನ್ನು CPU, ಅದರ ಕ್ಯಾಶ್ ಹೈರಾರ್ಕಿ ಮತ್ತು ಮೆಮೊರಿ ನಡುವೆ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸಲು ಬಳಸುತ್ತವೆ. ಕ್ಯಾಶ್ ಎಂಬುದು ಇತ್ತೀಚೆಗೆ ಬಳಸಿದ ಡೇಟಾವನ್ನು ಮುಂದಿನ ಪ್ರವೇಶಗಳನ್ನು ವೇಗಗೊಳಿಸಲು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುವ ಒಂದು ಸಣ್ಣ, ವೇಗದ ಸ್ಟೋರೇಜ್ ಪ್ರದೇಶವಾಗಿದೆ. ಒಂದು ಮಾಡೆಲ್ ಇನ್ಪುಟ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದಾಗ, ಕ್ಯಾಶ್ ರೀಡ್ ಮತ್ತು ರೈಟ್ ಮಾಡಿಕೆಯ ಮಾದರಿಯು ಆ ಇನ್ಪುಟ್ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಒಂದೇ ಯಂತ್ರದಲ್ಲಿ ದುಷ್ಟ ಪ್ರಕ್ರಿಯೆಯನ್ನು (malicious process) ಚಲಾಯಿಸುವ ಮೂಲಕ ಅಥವಾ ಹಂಚಿಕೆಯ ಕ್ಲೌಡ್ ಇನ್ಫ್ರಾಸ್ಟ್ರಕ್ಚರ್ ಅನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ ಈ ಮಾದರಿಗಳನ್ನು ಗಮನಿಸುವ ದಾಳಿಕಾರರು, ಮಾಡೆಲ್ನ ಕೋಡ್ ಅಥವಾ ವೇಟ್ಸ್ (weights) ಅನ್ನು ಮುಟ್ಟದೆಯೇ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತಿರುವ ಡೇಟಾವನ್ನು ಅಂದಾಜಿಸಬಹುದು.
ಅಧ್ಯಯನವು ಏನನ್ನು ತೋರಿಸುತ್ತದೆ
- ಕ್ಯಾಶ್ ಸೋರಿಕೆ ನಿಜವಾಗಿದೆ. ಕೆಲವು ಕಾರ್ಯಾಚರಣೆಗಳು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯವನ್ನು ಅಳೆಯುವ ಮೂಲಕ, ಒಬ್ಬ ಎದುರಾಳಿಯು ವಿಭಿನ್ನ ಇನ್ಪುಟ್ಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಬಲ್ಲದು ಮತ್ತು ಮಾಡೆಲ್ನ ಕಲಿತ ತೂಕಗಳ (learned weights) ಭಾಗಗಳನ್ನು ಸಹ ಮರಳಿ ಪಡೆಯಬಲ್ಲದು ಎಂದು ಸಂಶೋಧಕರು ತೋರಿಸಿದ್ದಾರೆ.
- ಸಾಫ್ಟ್ವೇರ್ ಪರಿಹಾರಗಳು ಸಾಲದು. ಇನ್ಪುಟ್ ಸ್ಯಾನಿಟೈಸೇಶನ್, ಕಾನ್ಸ್ಟಂಟ್-ಟೈಮ್ ಅಲ್ಗಾರಿದಮ್ಗಳು ಅಥವಾ ಮಾಡೆಲ್ ಎನ್ಕ್ರಿಪ್ಶನ್ನಂತಹ ಸಾಂಪ್ರದಾಯಿಕ ರಕ್ಷಣಾ ಕ್ರಮಗಳು ಕ್ಯಾಶ್ ಬಹಿರಂಗಪಡಿಸುವ ಲೋ-ಲೆವೆಲ್ ಮೆಮೊರಿ ಟ್ರಾಫಿಕ್ ಅನ್ನು ಮರೆಮಾಚುವುದಿಲ್ಲ.
- ಹಾರ್ಡ್ವೇರ್ ಮಟ್ಟದ ರಕ್ಷಣೆಗಳು ಅಗತ್ಯ. ಕ್ಯಾಶ್ಗಳನ್ನು ವಿಭಜಿಸುವುದು (partitioning), ಅಕ್ಸೆಸ್ ಪ್ಯಾಟರ್ನ್ಗಳನ್ನು ರ್ಯಾಂಡಮೈಸ್ ಮಾಡುವುದು ಅಥವಾ ಟೈಮಿಂಗ್ ಅಳತೆಗಳಿಗೆ ನಾಯ್ಸ್ (noise) ಸೇರಿಸುವ ಮೂಲಕ ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ಪ್ರೊಸೆಸರ್ ಅಥವಾ ಸಿಸ್ಟಮ್ ಆರ್ಕಿಟೆಕ್ಚರ್ನಲ್ಲಿಯೇ ಅಳವಡಿಸಬೇಕಾಗುತ್ತದೆ.
ಯಾರು ಗೆಲ್ಲುತ್ತಾರೆ, ಯಾರು ಸೋಲುತ್ತಾರೆ
ದಾಳಿಕಾರರು ಸಂವೇದನಾಶೀಲ ಡೇಟಾವನ್ನು (ಉದಾಹರಣೆಗೆ ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳು ಅಥವಾ ವೈಯಕ್ತಿಕ ಗುರುತುಗಳು) ಹೊರತೆಗೆದರೆ, ಮಾಡೆಲ್ ಮಾಲೀಕರು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ತಮ್ಮ ಮಾಲೀಕತ್ವದ ಬೌದ್ಧಿಕ ಆಸ್ತಿ ಮತ್ತು ಹೆಚ್ಚು ಗಂಭೀರವಾಗಿ, ಬಳಕೆದಾರರ ಗೌಪ್ಯತೆಯನ್ನು ಕಳೆದುಕೊಳ್ಳುವ ಅಪಾಯ ಎದುರಿಸುತ್ತಾರೆ. ಭೌತಿಕ ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಟೆನೆಂಟ್ಗಳಿಗೆ ಸುಳ್ಳು ಭದ್ರತೆಯ ಭಾವನೆಯನ್ನು ನೀಡುವ ಅಪಾಯ ಕ್ಲೌಡ್ ಪ್ರೊವೈಡರ್ಗಳಿಗಿದೆ. ಒಂದೇ ಚಿಪ್ ಮೇಲೆ ಕೋಡ್ ಅನ್ನು ಇರಿಸಬಲ್ಲ ಯಾವುದೇ ವ್ಯಕ್ತಿ ಅಥವಾ ದಾಳಿಕಾರರು, ಡೇಟಾವನ್ನು ಕಬಳಿಸಲು ಅಗ್ಗದ ಮತ್ತು ಗುಪ್ತ ಮಾರ್ಗವನ್ನು ಪಡೆಯುತ್ತಾರೆ.
ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದರಿಂದ ಉಂಟಾಗುವ ಗುಪ್ತ ವೆಚ್ಚ
ಕೇವಲ ಸಾಫ್ಟ್ವೇರ್ ಪ್ಯಾಚ್ಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗುವುದು ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ನಿರಂತರವಾಗಿ ಕೋಡ್ ಅನ್ನು ಅಪ್ಡೇಟ್ ಮಾಡಲು, ರಿಗ್ರೆಷನ್ಗಳಿಗಾಗಿ ಪರೀಕ್ಷಿಸಲು ಒತ್ತಾಯಿಸುತ್ತದೆ ಮತ್ತು ಆದರೂ ಒಂದು ಭೌತಿಕ ಸೈಡ್ ಚಾನೆಲ್ ಅನ್ನು ತೆರೆದೆಯೇ ಇಡುತ್ತದೆ. ಹಾರ್ಡ್ವೇರ್ ರಕ್ಷಣೆಯನ್ನು ಜಾರಿಗೆ ತರಲು ಹೊಸ ಸಿಲಿಕಾನ್ ವಿನ್ಯಾಸಗಳು ಅಥವಾ ಫರ್ಮ್ವೇರ್ ಅಪ್ಡೇಟ್ಗಳು ಅಗತ್ಯವಿರಬಹುದು; ಇವು ಆರಂಭದಲ್ಲಿ ಹೆಚ್ಚು ವೆಚ್ಚದಾಯಕವಾಗಿದ್ದರೂ, ಸೋರಿಕೆಯನ್ನು ಅದರ ಮೂಲದಲ್ಲೇ ತಡೆಯುತ್ತವೆ. ಹಾರ್ಡ್ವೇರ್ ಮರುವಿನ್ಯಾಸವನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಾಗದ ಸಂಸ್ಥೆಗಳು, ಕ್ಯಾಶ್ ಐಸೊಲೇಶನ್ ಹೊಂದಿರುವ ಮೀಸಲಾದ ಇನ್ಫರೆನ್ಸ್ ಚಿಪ್ಗಳನ್ನು ಪ್ರಾಯೋಗಿಕ ಪರಿಹಾರವಾಗಿ ಬಳಸಬಹುದು.
ವಿರೋಧಾತ್ಮಕ ವಾದ
ಹಾರ್ಡ್ವೇರ್ ಬದಲಾವಣೆಗಳು ನಿಧಾನ ಮತ್ತು ದುಬಾರಿ ಮತ್ತು ಹೆಚ್ಚಿನ ಇನ್ಫರೆನ್ಸ್ ವರ್ಕ್ಲೋಡ್ಗಳು ದಾಳಿಕಾರರಿಗೆ ಕ್ಯಾಶ್ ಮಾನಿಟರಿಂಗ್ ಮಾಡಲು ಅಗತ್ಯವಿರುವ ಸಮೀಪದ ಲಭ್ಯತೆ ಇಲ್ಲದ ಸ್ಥಳಗಳಲ್ಲಿ ನಡೆಯುತ್ತವೆ ಎಂದು ಕೆಲವರು ವಾದಿಸುತ್ತಾರೆ. ಆದರೆ, ಹಂಚಿಕೆಯ ಸಂಪನ್ಮೂಲ ಕ್ಲೌಡ್ ಇನ್ಸ್ಟೆನ್ಸ್ಗಳು ಮತ್ತು ಎಡ್ಜ್ ಸಾಧನಗಳು—ಎಲ್ಲಿ ಒಂದೇ ಪ್ರೊಸೆಸರ್ನಲ್ಲಿ ಹಲವಾರು ಆಪ್ಗಳು ಸಹಬಾಳ್ವೆ ನಡೆಸುತ್ತವೆಯೋ—ಅಂತಹ ಪರಿಸ್ಥಿತಿಗಳೇ ಈ ಬೆದರಿಕೆ ಅತ್ಯಂತ ವಾಸ್ತವಿಕವಾಗಿರುವ ಸ್ಥಳಗಳು ಎಂದು ಸಂಶೋಧನೆಯು ಪ್ರತಿಪಾದಿಸುತ್ತದೆ.
ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು
- ಮುಂಬರುವ CPUಗಳಲ್ಲಿ ಕ್ಯಾಶ್-ಪಾರ್ಟಿಷನಿಂಗ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಅಳವಡಿಕೆ.
- DNN ಇನ್ಫರೆನ್ಸ್ಗಾಗಿ ಮೆಮೊರಿ ಅಕ್ಸೆಸ್ ಪ್ಯಾಟರ್ನ್ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರ್ಯಾಂಡಮೈಸ್ ಮಾಡುವ ಕಂಪೈಲರ್ ಟೂಲ್ಗಳ ಅಭಿವೃದ್ಧಿ.
- AI ವರ್ಕ್ಲೋಡ್ಗಳಿಗೆ ಕ್ಯಾಶ್ ಸೈಡ್-ಚಾನೆಲ್ಗಳನ್ನು ಕಡ್ಡಾಯ ಭದ್ರತಾ ಪರಿಗಣನೆ ಎಂದು ವರ್ಗೀಕರಿಸುವ ಉದ್ಯಮ ಮಾರ್ಗಸೂಚಿಗಳು.
ಸಾರಾಂಶ: ನೀವು ಸಂವೇದನಾಶೀಲ ಡೇಟಾವನ್ನು ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ನೀಡುತ್ತಿದ್ದರೆ, ಮಾಡೆಲ್ ಅನ್ನು ಸಾಫ್ಟ್ವೇರ್ ಮಟ್ಟದಲ್ಲಿ ಸುರಕ್ಷಿತಗೊಳಿಸುವುದು ಈಗ ಸಾಕಾಗುವುದಿಲ್ಲ. ಮಾಡೆಲ್ ಅನ್ನು ಚಲಾಯಿಸುವ ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ಬಲಪಡಿಸಲೇಬೇಕು, ಇಲ್ಲದಿದ್ದರೆ AI ಅನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿಸುವ ಅದೇ ವೇಗವು ಡೇಟಾ ಕಳ್ಳತನಕ್ಕೆ ದಾರಿಯಾಗಬಹುದು.