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

Sistem pemantauan energi eksternal mendeteksi ritme konsumsi daya unik yang dihasilkan oleh proses pelatihan model AI di pusat data.
Sumber :
  • Dok. Notebookcheck

Pengukuran daya listrik bekerja di lapisan fisik. Sifatnya tidak bisa dipalsukan oleh manipulasi code. Riset ini menguji skenario tempat pengelola menjalankan beban kerja harian seperti inference AI biasa, sambil secara diam-diam melatih model AI tambahan di latar belakang.

img_title Krisis Pasokan Semikonduktor Guncang Pasar, Harga Server Meroket 70%

Teknologi ini bekerja secara independen. Hasil isolasi sinyal membuktikan bahwa algoritma tetap mampu mengenali sidik jari daya dari proses pelatihan rahasia, meskipun bertumpuk dengan lalu lintas komputasi rutin lainnya. Fluktuasi ritmik pelatihan AI terbukti cukup dominan untuk dipisahkan dari kebisingan listrik umum.

Tingkat Akurasi Tinggi dan Analisis Efektivitas Strategi Penyamaran

img_title Ambisi Elon Musk: 1 Juta Satelit AI, Pusat Data di Orbit

Dalam pengujian beban kerja simulasi data center, metode pelacakan ini mencatatkan performa luar biasa. Akurasinya mencapai 96 persen. Angka false positive atau kesalahan mengidentifikasi beban kerja biasa sebagai pelatihan AI tercatat hanya sebesar 1 persen. Ini membuktikan keandalan algoritma dalam membedakan karakteristik komputasi biasa dengan aktivitas training.

Para peneliti juga menguji delapan strategi penyamaran yang mungkin digunakan pengelola nakal untuk mengelabui sensor. Strategi tersebut mencakup penyuntikan beban kerja buatan (dummy workloads) hingga pembatasan daya (power throttling) untuk meratakan grafik listrik. Hasilnya menunjukkan bahwa upaya penyamaran tersebut menuntut biaya yang sangat mahal.

img_title Guizhou Meledak: Daya Komputasi Tembus 150 EFLOPS, Tiga Kali Lipat

Menyamarkan pola daya memaksa pemborosan energi dan memperlambat durasi pelatihan secara drastis. Biaya penyamaran sangat mahal. Bagi pengelola, menyembunyikan pola pelatihan justru merusak efisiensi investasi hardware GPU mereka sendiri.

Menimbang Efektivitas Pengawasan Energi untuk Transparansi Komputasi

Penemuan ini membuka babak baru dalam penegakan kepatuhan batas komputasi dan tata kelola keamanan AI global. Auditor tidak lagi memerlukan persetujuan akses source code atau pembukaan rahasia dagang untuk memastikan sebuah fasilitas tidak melatih model berbahaya. Cukup dengan menempelkan meteran arus presisi tinggi pada penyalur daya utama, aktivitas komputasi dapat dipetakan secara real-time.

  • Kelebihan Utama: Memungkinkan pengawasan independen tanpa akses software, memiliki akurasi deteksi di atas 96 persen, serta memaksa pengelola membayar biaya operasional jauh lebih mahal jika mencoba melakukan penyamaran.
  • Catatan Teknis: Membutuhkan kalibrasi sensor daya eksternal yang sensitif dan pemodelan awal untuk memisahkan noise dari jaringan listrik umum di sekitar area fasilitas.