返回新闻
AI

新研究显示:GPU功耗可暴露AI工作负载,区分训练与推理准确率达97%

arXiv平台一篇新预印本显示,外部观察者可通过分析NVIDIA H200 GPU的功耗,识别其正在运行的是AI训练、推理还是非AI任务,准确率达97%,这引发了重大AI安全担忧。

新研究显示:GPU功耗可暴露AI工作负载,区分训练与推理准确率达97%
MagicBoat4 分钟阅读170 次阅读
文章目录

引言:共享GPU环境下区分AI工作负载的挑战

随着AI模型复杂度与价值不断提升,判断GPU正在执行训练还是推理任务,已成为云服务商、企业和监管机构的关键关切。在云数据中心或多租户GPU集群这类共享计算环境中,知晓工作负载的性质可能会泄露竞争对手的研究重点、模型架构或知识产权等敏感信息。arXiv平台上的一篇新预印本(arXiv:2609.00309v1)介绍了一种利用物理侧信道——具体为功耗——识别NVIDIA H200 GPU上运行的工作负载类别的方法,在区分训练、推理和非AI计算任务时准确率达97%。

研究概述:功耗作为侧信道

这项由研究人员开展并发布在arXiv上的研究,以约10MHz的采样频率记录了930条时长5秒的功耗轨迹,覆盖17个开源大语言模型(LLM)系列和25项非AI工作负载。与可被伪造或重放的片上NVML遥测数据不同,物理功耗信道无需设备操作者配合即可独立观测。研究人员成功区分训练、推理和非AI计算任务,准确率达97%,在训练阶段未见过的模型家族上测试时,宏平均F1分数为0.955。

核心发现:频谱特征与内存受限的优化器更新

分析结果显示,AI工作负载的频谱成分主要集中在约20kHz以下。训练工作负载的辨识度尤其高,这源于模型训练权重更新阶段出现的独特模式——内存受限的优化器更新。该特征可让检测器区分训练和推理任务,因为推理任务不存在此类内存密集型操作。

规避策略与检测器鲁棒性

研究人员将GPU操作者视为潜在攻击者,测试了四种旨在将训练伪装成推理的规避策略,额外生成了680条对抗性功耗轨迹。针对其中三种策略,在排除对应策略数据训练出的强化版检测器,识别训练任务的准确率至少达99%。第四种策略——稀释版低秩适配(LoRA)——的规避效果更强:强化分类器对其的识别率仅为48%至88%。不过,添加一条补救规则后,识别率提升至至少98%。

作者指出:“尽管这些攻击并非针对对抗性行为的全面评估,但它们为研究人员提供了超越正常活动的初步见解,也为开发和测试更强大的规避机制提供了数据集。”

对云服务商、企业和监管机构的影响

这项研究对AI安全与治理具有重大意义。对云服务商而言,通过功耗检测训练工作负载的能力可用于执行使用政策、分配资源,或检测未授权的模型训练。对企业而言,这引发了对竞争性间谍活动的担忧:外部观察者可能通过监测功耗模式,推断竞争对手的AI研发活动。对监管机构而言,正如论文摘要所强调的,该方法为AI算力核查提供了切实可行的工具:“AI算力核查是国际AI治理政策首批切实可行且易于处理的切入点之一。”

不过,这项技术也可能被用于恶意目的,比如窃取知识产权或实施工业间谍活动。论文强调了采取应对措施的必要性,例如模糊功耗模式或采用硬件级防护。

说明与局限性

需要注意的是,这项研究是预印本(arXiv:2609.00309v1),尚未经过同行评审。论文列出的发表日期为2026年9月2日,早于当前日期,这可能表明存在数据错误或内容具有推测性。此外,该方法仅针对NVIDIA H200 GPU,能否推广到其他硬件尚未得到验证。测试的规避策略并非对对抗性行为的全面评估,数据集也可能未涵盖所有可能的工作负载或规避技术。

结论:AI安全领域的新风险点

这项研究标志着AI安全领域出现了一个新的风险点,行业必须加以应对。随着AI工作负载的价值不断提升、竞争日益激烈,通过功耗这类物理侧信道检测AI工作负载的能力,要求行业同时采取技术应对措施和政策框架。云服务商、企业和监管机构应密切关注该领域的发展,以保护模型机密性,确保共享计算资源的公平使用。

资料来源

《GPU功耗可暴露AI工作负载:新研究显示区分训练与推理准确率达97%》配图
GPU功耗可暴露AI工作负载:新研究显示区分训练与推理准确率达97%

关键词

AI安全、GPU功耗分析、训练与推理检测、侧信道攻击、NVIDIA H200、模型机密性、AI治理、工作负载识别、物理侧信道、对抗性规避