การป้องกันที่เรียกว่า Boundary-Aware Model Obfuscation (BMO) สามารถทำอัตราความสำเร็จในการป้องกันการโจมตีแบบปรปักษ์ได้เฉลี่ย 68.68% ในงานวิจัยของ Yihui Jin ที่ตีพิมพ์เมื่อวันที่ 19 ตุลาคม 2026 โดยการป้องกันแบบอ้างอิงที่มีประสิทธิภาพสูงสุดทำได้เพียง 22.32% วิธีการนี้มุ่งเป้าไปที่จุดอ่อนของการทำแมชชีนเลิร์นนิงบนอุปกรณ์: เมื่ออุปกรณ์ถูกเจาะ ระบบโมเดลอาจถูกเปิดเผยและช่วยให้ผู้โจมตีสามารถโจมตีอุปกรณ์อื่น ๆ ได้
การรันแมชชีนเลิร์นนิงบนอุปกรณ์ให้ข้อดีด้าน ความหน่วงต่ำและการปกป้องความเป็นส่วนตัว แต่หากถูกเจาะ การโจมตีอาจลุกลามเกินกว่าอุปกรณ์เพียงเครื่องเดียว ผู้โจมตีสามารถย้อนรอยและวิศวกรรมย้อนกลับแอปพลิเคชันเพื่อให้ได้สิทธิ์เข้าถึงโมเดลแบบไวท์บ็อกซ์ที่ถูกดีพลอย และดึงความรู้เกี่ยวกับโมเดลบนอุปกรณ์อื่นที่เป็นเพียร์ได้ งานวิจัยอธิบายสิ่งนี้ว่าเป็น การโจมตีข้ามโหนด (cross-node attack) ซึ่งอุปกรณ์เพียงเครื่องเดียวที่ถูกเจาะสามารถคุกคามได้
บทความนี้จัดทำขึ้นด้วยความช่วยเหลือของปัญญาประดิษฐ์และผ่านการทบทวนโดยทีมบรรณาธิการแล้ว




