Riset AI: Fluktuasi Daya Listrik Ungkap Pelatihan Model Rahasia di Pusat Data

GadgetVIVA - Para peneliti berhasil membuktikan bahwa proses pelatihan model kecerdasan buatan (artificial intelligence) skala besar di pusat data (data center) dapat dideteksi secara eksternal hanya dengan memantau fluktuasi konsumsi daya listrik. Metode pengawasan non-invasif ini menjadi terobosan penting dalam tata kelola AI. Auditor dapat mendeteksi aktivitas pelatihan rahasia tanpa harus mengakses perangkat lunak atau log internal pengelola.

Pendekatan ini memanfaatkan pola unik fluktuasi energi yang tercipta saat ribuan unit pemrosesan grafis (graphics processing unit atau GPU) bekerja secara intensif. Dengan tingkat akurasi mendeteksi hingga 96 persen dalam pengujian simulasi, teknik ini menawarkan solusi atas tantangan terbesar dalam regulasi kecerdasan buatan: memverifikasi komputasi aktual secara objektif tanpa bergantung pada laporan sepihak pengelola data center.

Siklus Ritme Energi dan Cara Algoritma Menangkap Polanya

Proses pelatihan model AI besar tidak berjalan dalam beban kerja yang rata. Selama pelatihan berlangsung, GPU secara konstan beroperasi dalam dua fase yang berulang. Fase pertama adalah komputasi intensif tempat pemrosesan matematika berat dilakukan. Fase kedua adalah fase komunikasi, tempat puluhan ribu chip saling menukar data dan beban kerja melalui jaringan internal data center.

Perpindahan antara fase komputasi dan komunikasi ini memicu naik-turunnya penyerapan daya listrik secara berkala. Ritme ini berulang dengan frekuensi kira-kira satu kali per detik. Pola ini sangat spesifik. Frekuensi fluktuasi tersebut tidak selalu stabil karena berubah menyesuaikan variasi beban kerja dan kondisi suhu hardware.

Untuk melacak sinyal yang terus berubah ini, para peneliti memanfaatkan algoritma Viterbi tracker. Algoritma pemrosesan sinyal ini mampu mengunci pola temporal meskipun frekuensi dasar bergeser. Pengukuran dilakukan langsung pada saluran input daya utama di luar kendali pengelola server. Kehadiran sensor eksternal ini memastikan proses audit berjalan murni berdasarkan data fisik.

Keunggulan Audit Eksternal dan Pelacakan Lintas Beban Paralel

Metode pemantauan sinyal sampingan (side-channel analysis) ini memecahkan kebuntuan dalam hal transparansi komputasi. Pada metode pengawasan tradisional, auditor harus percaya pada log sistem atau memberikan akses software tingkat tinggi. Pengelola yang tidak jujur bisa saja memanipulasi log atau menyembunyikan kontainer pelatihan AI di balik beban kerja umum.