Detecting AI Training in Datacentre Power↗ (원문, 새 창)

연구팀은 운영자를 신뢰하지 않고도 모니터링되는 컴퓨팅 클러스터에서 대형 모델 학습이 진행 중인지 전력 사용 패턴으로 탐지하는 기법을 개발했다. 반복 주기의 불규칙한 변동을 비터비(Viterbi) 추적으로 포착하는 방식으로, 시뮬레이션된 데이터센터 전력에서 운영자가 숨기려 하지 않을 경우 1% 오탐률·2Hz 이상 샘플링 조건에서 학습 실행의 최소 96%를 탐지해 네이만-피어슨 최적치의 0.04 이내에 도달했다. 운영자가 시도할 수 있는 8가지 은폐 전략 중 반복당 작업량을 극단적으로 변화시키는 방법만이 추적을 피했는데, 이 경우도 5분 단위 관측의 최대 73%를 숨길 수 있지만 하루 전체로 보면 0.1% 오탐률에서 최소 87%가 여전히 적발됐다. 이 은폐 전략은 처리량 손실은 없지만 소규모 학습에서는 동일한 손실에 도달하기 위해 93~267% 더 많은 컴퓨팅이 필요해, 저렴한 전력 계측만으로도 은폐 학습을 탐지 가능하고 비용을 높일 수 있음을 보였다.

• 운영자를 신뢰하지 않고도 전력 사용 패턴만으로 데이터센터 내 모델 학습 여부를 탐지하는 비터비 추적 기법 개발
• 은폐 시도가 없을 때 1% 오탐률로 학습 실행의 최소 96%를 탐지, 최적 성능에 근접
• 8가지 은폐 전략 중 작업량 극단적 변화만이 효과적이나 하루 단위로는 여전히 87% 이상 적발
• 가장 강력한 은폐 전략도 동일 성능 도달에 93~267% 더 많은 컴퓨팅을 요구해 비용 부담 유발