Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 엣지 장치와 클라우드 서버 간의 분산 컴퓨팅(SC) 환경에서 신뢰성과 보안을 통합적으로 평가하는 프레임워크를 제시합니다. 기존 연구가 이 두 가지 요소를 독립적으로 다뤘던 것과 달리, 본 연구는 결함 주입 및 적대적 공격 시뮬레이션을 통해 공동 취약점 점수(JVS)를 도출했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기분산 컴퓨팅(Split Computing, SC)은 추론을 엣지 장치와 클라우드 서버 간에 분할함으로써 심층 신경망(Deep Neural Networks, DNNs)의 효율적인 배포를 가능하게 합니다. 하지만 중간 특징 표현(intermediate feature representations)은 하드웨어 결함과 적대적 공격 모두에 동시에 노출되며, 이 두 가지는 전통적으로 독립적으로 평가되어 왔습니다. 본 논문은 분산 컴퓨팅에서 신뢰성과 보안을 공동으로 평가하기 위한 통합 프레임워크를 제시합니다. 먼저, 신뢰성은 평균 상대 정확도 저하(Mean Relative Accuracy Degradation, MRAD)를 사용하여 뉴런 레벨의 결함 주입(neuron-level fault injection)을 통해 특성화하고, 보안은 공격 성공률(Attack Success Rate, ASR)을 사용하는 특징 맵 인식 적대적 공격 시뮬레이션을 통해 평가합니다. 이러한 상호 보완적인 분석을 기반으로 공동 취약점 점수(Joint Vulnerability Score, JVS)가 도입되었으며, 예측 오류와 신뢰도 저하를 공동으로 포착하는 자신감 인지 확장(confidence-aware extension)도 함께 제시됩니다. 이 프레임워크는 ILSVRC-2012로 훈련된 ResNet-50을 기반으로 하는 열 가지 분산 컴퓨팅 구성을 대상으로 평가되었습니다. 실험 결과는 압축 전략 전반에 걸쳐 상당한 차이를 보여주었으며, 결함 주입 하에서 MRAD는 44.3%에서 61.2% 범위였고, 적대적 공격은 최대 98.8%의 ASR을 달성했습니다. 나아가, 제안된 공동 지표들은 신뢰성과 보안이 독립적으로 분석될 때 숨겨지는 취약점 추세를 밝혀내며, 보다 포괄적인 분산 컴퓨팅 시스템 설계 방법론을 제공합니다.