วิศวกรนักวิจัยจาก MIT พัฒนาชิปที่ใช้วงจร Application-specific Integrated Circuit (ASIC) ที่สามารถใช้งานกับอุปกรณ์ IoT เพื่อป้องกันการโจมตีหรือการลักลอบขโมยข้อมูลของแฮคเกอร์ได้
Smartwatch หรือนาฬิกาอัจฉริยะอาจจะดูปลอดภัยในการใช้งานแต่รู้หรือไม่ว่าข้อมูลที่เกิดขึ้นหากรั่วไหลออกไปก็จะกลายเป็นปัญหาใหญ่ได้เช่นกัน ยกตัวอย่างผู้ป่วยโรคหัวใจที่เพิ่งถูกปล่อยตัวออกจากโรงพยาบาล ข้อมูลจากนาฬิกาจึงเต็มไปด้วยข้อมูลทางการแพทย์ซึ่งเป็นข้อมูลส่วนบุคลของผู้ป่วยไม่ว่าจะลักษณะการเต้นของหัวใจ ปริมาณออกซิเจน หรือรูปแบบการใช้ชีวิตต่าง ๆ ซึ่งการโจมตีหรือขโมยข้อมูลที่เกิดขึ้นนี้จะเกิดขึ้นผ่าน Side-channel
การโจมตีผ่าน Side-channel นั้นมีเป้าหมายในการรวบรวมข้อมูลลับผ่านระบบหรือฮาร์ดแวร์ ในรูปแบบหนึ่งของการโจมตี Side-channel แฮคเกอร์ที่เชี่ยวชาญสามารถมอนิเตอร์ความผันผวนของอุปกรณ์ในการใช้พลังงาน ในขณะที่โครงข่ายประสาทเทียมหรือ Neural Network นั้นทำงานเพื่อสกัดเอาข้อมูลที่ถูกปกป้องซึ่งจะรั่วไหลออกจากอุปกรณ์ ซึ่งการโจมตีแบบ Side-channel นั้นเป็นเหมือนการดักข้อมูลที่ไม่ตั้งใจให้เกิดขึ้นและคาดการณ์สิ่งที่จะเกิดขึ้นกับอุปกรณ์ เช่นเดียวกับในภาพยนต์ที่โจนพยายามปลดล็อคตู้เซฟโดยฟังเสียงคลิปในขณะที่หมุนล็อคไปมาเพื่อหาเสียงที่ผิดปกติ
วิธีป้องกัน Side-channel ในปัจจุบันสามารถป้องกันได้เพียงบางรูปแบบที่มีการใช้พลังงานเข้มข้นอย่างมาก ดังนั้นจะไม่สามารถใช้งานได้ดีกับอุปกรณ์ IoT ที่มีการใช้พลังงานต่ำ
นักวิจัยจึงได้พัฒนาชิปเพื่อป้องกันการโจมตี Side-channel ซึ่งมีการใช้พลังงานน้อนลงกว่าเทคนิคด้านความปลอดภัยทั่วไป ซึ่งชิปที่ว่านี้มีขนาดเล็กกว่าหัวแม่โป้งสามารถใช้งานกับ Smartwatch, Smartphone หรือ Tablet เพื่อทำให้มั่นใจว่าการประมวลผล Machine Learning จากค่าเซนเซอร์ต่าง ๆ มีความปลอดภัย
ตัวชิปถูกพัฒนบนรูปแบบการประมวลผลพิเศษที่เรียกกันว่า Threshold Computing ซึ่งปกติแล้วจะใช้ Neural Network เพื่อจัดการกับข้อมูลโดยตรง แต่ชิปใหม่นี้จะถูกแบ่งออกเป็นส่วนประกอบที่มีลักษณะเฉพาะตัวแบบสุ่ม เครือขายจะทำงานกับข้อมูลสุ่มเหล่านั้นอย่างเป็นอิสระในลำดับที่สุ่มด้วยเช่นกันก่อนที่จะประมวลผลลัพธ์สุดท้ายออกมา
วิธัใหม่นี้ข้อมูลที่จะหลุดรั่วจากอุปกรณ์ทุกครั้งจะเป็นการสุ่ม ซึ่งจะไม่ได้เปิดเผยข้อมูลที่ทำให้เกิดการโจมตีแบบ Side-chain ได้ แต่วิธีการเหล่านี้มีราคาที่แพงยิ่งขึ้นในการประมวลผลข้อมูล เพราะ Neural Network ต้องทำงานที่มีกระบวนการหลากหลายยิ่งขึ้น ทำให้ต้องใช้หน่วยความจำกับข้อมูลเพิ่มมากขึ้น
นักวิจัยจึงได้เพิ่มประสิทธิภาพการประมวลผลโดยใช้ฟังก์ชันที่ลดปริมาณการคูณ (Multiplication) ที่ Neural Network จำเป็นต้องใช้ในการประมวลผลข้อมูล ซึ่งลดความต้องการในการประมวลผลลงด้วย นอกจากนี้ยังมีการเข้ารหัสค่าต่าง ๆ ด้วยการจัดกลุ่มค่าให้เป็นกลุ่มก้อนก่อนทำการเข้ารหัส ทำให้เกิดความปลอดภัยมากยิ่งขึ้นในขณะที่ลดการใช้หน่วยความจำลง
แม้ว่าจะมีการให้ความสำคัญกับการโจมตีแบบ Side-channel ชิปตัวใหม่นี้ต้องการพลังงานมากขึ้น 5.5 เท่า และมีพื้นที่ซึ่งใช้ซิลิคอนเพิ่มขึ้น 1.6 เท่า เพื่อให้ได้ดังเป้าประสงค์ที่ตั้งไว้
เมื่อทีมงานเปรียบเทียบการใช้งานกับอุปกรณ์ทั่วไป อุปกรณ์ทั่วไปสามารถเก็บกู้ข้อมูลลับได้จากการเก็บตัวอย่างคลื่นของการใช้พลังงาน 1,000 รูปแบบ ในขณะที่การใช้อุปกรณ์แบบใหม่นี้แม้จะมีการเก็บตัวอย่างกว่า 2 ล้านรูปแบบคลื่นแต่ก็ไม่สามารถเก็บข้อมูลที่บ่งชี้อะไรได้เลย
ที่มา:
News.mit.edu
