ข้ามไปยังเนื้อหา
  • BTC $59,992 +3.5%
  • ETH $1,690 +3.1%
  • SOL $69.86 +2.8%
  • BNB $547.52 +4.3%
  • XRP $0.9255 +3.5%
  • DOGE $0.0548 +3.2%
  • ADA $0.1441 +3.5%

การป้องกันด้วยปัญญาประดิษฐ์บนอุปกรณ์มีอัตราความสำเร็จเฉลี่ย 68.68% โดยใช้การทำให้แบบจำลองคลุมเครือที่ตระหนักถึงขอบเขต

การป้องกันที่เรียกว่า Boundary-Aware Model Obfuscation (BMO) สามารถทำอัตราความสำเร็จในการป้องกันการโจมตีแบบปรปักษ์ได้เฉลี่ย 68.68% ตามที่รายงานไว้ในงานวิจัยของ Yihui Jin ซึ่งตีพิมพ์เมื่อวันที่ 19 ตุลาคม 2026 โดยที่วิธีการป้องกันแบบฐานที่แข็งแกร่งที่สุดทำได้ 22.32% วิธีการนี้มุ่งเป้าไปที่จุดอ่อนของการเรียนรู้ของเครื่องบนอุปกรณ์ (on-device machine learning): เมื่ออุปกรณ์ถูกเจาะ…

boundary-aware model obfuscation
Boundary-Aware Model Obfuscation Enhances Cross-Node Attack Defense

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

Francesco Antonio Russo

บทความทั้งหมดโดย Francesco Antonio Russo