숨겨진 머신러닝 교육 감지: 제로 오버헤드 텔레메트리

출처: arXiv - 2606.19262v1

개요

GPU 워크로드 모니터링을 하드웨어 기반으로 하는 AI 연산 거버넌스 제안이 많이 있지만, 개발자가 모니터링 메커니즘을 우회할 경우 이러한 계획은 무용지물입니다. 우리는 NVML 텔레메트리(프라이버시를 보존하면서 0 오버헤드로)만 사용해 GPU 워크로드 분류의 적대적 강건성을 평가합니다. 이는 모델 가중치, 학습 데이터 또는 하이퍼파라미터에 접근하지 않고 computation의 물리적 효과를 관측하는 내용 무관 신호입니다. 모니터 회피 5회 반복을 거쳐 20가지 회피 전략 가족을 4가지 아키텍처 세대와 spanning 9 GPU 모델에 평가했습니다. 우리는 전체 코퍼스에서 훈련 워크로드를 식별하는 이진 정확도가 98.2%인 분류기를 개발했으며, 가장 도전적인 예상치 못한 워크로드에 대해 adversarially 위장했을 때 43~87%의 정확도를 달성했습니다.

주요 공헌

이 논문은 다음 분야를 다루고 있습니다:

• cs.LG

방법론

자세한 방법론은 논문 전체를 참고하십시오.

실용적 함의

본 연구는 cs.LG의 발전에 기여합니다.

저자

• Robi Rahman
• Sabiha Tajdari

논문 정보

• arXiv ID: 2606.19262v1
• 카테고리: cs.LG
• 발행일: 2026년 6월 17일
• PDF: PDF 다운로드