제로 오버헤드 텔레메트리(Zero-Overhead Telemetry)를 이용한 숨겨진 머신러닝(ML) 학습 탐지
요약
GPU NVML 텔레메트리를 활용하여 모델 데이터에 접근하지 않고도 머신러닝 학습 워크로드를 탐지하는 연구를 소개합니다. 적대적 회피 전략에 대응하여 높은 정확도의 워크로드 분류 성능을 입증했습니다.
핵심 포인트
- NVML 텔레메트리를 이용한 콘텐츠 불가지론적 GPU 모니터링
- 모델 가중치나 데이터 접근 없이 물리적 신호로 학습 탐지
- 적대적 회피 전략에 대한 분류기의 강건성 평가
- 다양한 GPU 아키텍처 및 모델에 대한 범용성 확인
하드웨어 기반의 GPU 워크로드 모니터링은 AI 컴퓨팅 거버넌스를 위한 많은 제안의 근간이 되지만, 개발자가 모니터링 메커니즘을 무력화할 수 있다면 이러한 체계는 작동 불가능합니다. 본 연구에서는 모델 가중치(weights), 학습 데이터(training data), 또는 하이퍼파라미터(hyperparameters)에 접근하지 않고 계산의 물리적 효과를 관찰하는 콘텐츠 불가지론적(content-agnostic) 신호인, 제로 오버헤드(zero-overhead) 및 프라이버시 보존형 NVML 텔레메트리(telemetry)만을 사용하여 GPU 워크로드 분류의 적대적 강건성(adversarial robustness)을 평가합니다. 모니터-회피자(monitor-evader) 반복 과정을 5라운드에 걸쳐 수행하며, 4개의 아키텍처 세대에 걸친 9개의 GPU 모델에서 20개의 회피 전략 제품군을 평가합니다. 우리는 전체 코퍼스(corpus)에 대해 학습 워크로드를 식별하는 데 98.2%의 이진 정확도(binary accuracy)를 달성하고, 적대적으로 위장된 가장 까다롭고 예상치 못한 워크로드에 대해서도 43-87%의 정확도를 달성하는 분류기를 개발했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기