Wissenschaftler des MIT haben eine neue Form des Schutzes gegen eine Geheimwaffe von Hackern auf der ganzen Welt entwickelt: den Seitenkanalangriff.
Ihr System ist ein integrierter Chip, der Angriffe abwehrt und dabei viel weniger Energie verbraucht als andere vergleichbare Methoden, ein Post von MIT-Nachrichten offenbart.
Ein Seitenkanalangriff sammelt private Daten, indem er indirekte Informationen wie den Stromverbrauch eines Systems oder seiner Hardware sammelt. Besorgniserregend ist, dass er verwendet werden könnte, um Gesundheit zu sammeln.Informationen von Smartwatches und andere Daten von unwissenden Benutzern.
Die neue Methode des MIT-Teams ist viel weniger energieintensiv als andere heute verfügbare Lösungen, weshalb sie für Internet-of-Things IoT-Geräte wie Smartwatches und andere Wearables verwendet werden kann. Dieser Chip ist kleiner als ein Daumennagelund kann in ein Smartphone, eine Smartwatch und andere alltägliche elektronische Geräte eingebaut werden. Sobald es in ein Gerät integriert ist, führt es eine sichere maschinelle Lernberechnung der Sensorwerte durch, die es ihm ermöglicht, alle Seitenkanalinfiltratoren zu erkennen.
Schutz der Privatsphäre der Benutzer durch maschinelles Lernen
Das neue System ist eine Art von Anwendungsspezifischer integrierter Schaltkreis ASIC-Chip. Die MIT-Forscher hat das System mit einer speziellen Art von Berechnung entwickelt, die als Schwellwertberechnung bekannt ist, was bedeutet, dass die Daten, die der Chip liest, in zufällige Komponenten aufgeteilt werden, sodass keine Seitenkanaldaten durch Zugriff auf den Chip gelesen werden können. Diese Methode ist rechenintensiver, daDer Chip muss jetzt mehr Operationen ausführen, aber die Forscher optimierten den Prozess so, dass weniger Multiplikation erforderlich wäre, um die Daten zu verarbeiten.
"Das Ziel dieses Projekts ist es, eine integrierte Schaltung zu bauen, die maschinelles Lernen am Rand durchführt, so dass sie immer noch stromsparend ist, aber vor diesen Seitenkanalangriffen schützen kann, damit wir die Privatsphäre dieser Modelle nicht verlieren“, sagt Anantha Chandrakasan, die Dekanin der MIT School of Engineering, Vannevar Bush-Professorin für Elektrotechnik und Informatik und leitende Autorin des Artikels.
"Die Leute haben der Sicherheit dieser maschinellen Lernalgorithmen nicht viel Aufmerksamkeit geschenkt, und diese vorgeschlagene Hardware adressiert diesen Bereich effektiv."
Während die aktuelle Implementierung ihrer Methode dies erfordert 5,5-mal mehr Leistung und 1,6-mal mehr Siliziumfläche als ein sicherheitsfreies Setup, die Forscher glauben, dass die Menschen bereit sein werden, dieses Siliziumopfer zu bringen.
„Wir sind an dem Punkt angelangt, an dem Sicherheit wichtig ist“, sagt Chandrakasan. „Wir müssen bereit sein, eine gewisse Menge an Energieverbrauch in Kauf zu nehmen, um eine sicherere Berechnung durchzuführen. Dies ist kein kostenloses Mittagessen. Zukünftige Forschung könnte sich darauf konzentrierenwie man den Overhead reduziert, um diese Berechnung sicherer zu machen."
Die Forscher nennen auch ihre Methode ist in der Lage, einen um drei Größenordnungen geringeren Energieverbrauch zu erreichen als die homomorphe Verschlüsselung, eine Hochsicherheitsmethode zur Verhinderung von Seitenkanalangriffen. Es handelt sich um eine dringend benötigte Verbesserung, die Benutzerdaten vor den intelligentesten Verschlüsselungen schützen könnte. Hacker für intelligente Geräte.