.png){kind=icon}
返回
AI model auditing scheme towards cloud-edge high-performance computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07121-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高性能计算（HPC）使用高性能计算机或计算机集群来处理复杂的计算任务。此外，云边架构非常适合这种计算模型。在许多HPC场景中，特定的AI模型在HPC上训练，然后分发到靠近用户的边缘服务器，提供低延迟和高效率的智能服务。然而，确保模型完整性是一个重大挑战，因为即使模型参数的微小变化也可能对实际应用产生显著负面影响。例如，智能交通中的单个错误指令可能导致交通事故。为解决这一问题，对存储在边缘服务器上的AI模型进行定期审计是必要的。我们提出了AI模型审计方案（AIMA），利用多个边缘服务器本地存储模型的特点。设计了一种分布式协作的模型完整性验证方法，无需HPC在生成同态验证标签上耗费大量计算资源，这构成了现有数据审计方案的主要计算开销。此外，我们基于实用拜占庭容错（PBFT）开发了一种针对AI模型审计的共识协议。通过构建区块链记录审计结果，HPC可以获得防篡改的模型审计记录。此外，我们引入了AI模型和边缘服务器组的更新策略，增强了所提出方案的实用性。最后，我们分析了方案的安全特性，并在模拟的云边HPC环境中验证了其效率。实验结果表明，与对比方案相比，AIMA在审计准备和执行阶段产生的计算开销更低，而共识引入的计算和存储成本完全可接受。
Keyword:
High-performance computing
Cloud-edge computing
AI model
Data auditing
Blockchain
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
Ultra-lightweight blockchain-enabled RFID authentication protocol for supply chain in the domain of 5G mobile edge computing5G移动边缘计算领域中的超轻量级区块链赋能RFID认证协议供应链
PREAI
分享收藏CIA: A Collaborative Integrity Auditing Scheme for Cloud Data With Multi-Replica on Multi-Cloud Storage ProvidersCIA: 多云存储提供商上具有多副本的云数据协作式完整性审计方案
PREAI
分享收藏
分享收藏AI Security for Geoscience and Remote Sensing: Challenges and future trends地球科学和遥感的人工智能安全: 挑战和未来趋势
OAAI
OAAI分享收藏
查看更多内容