安全AI芯片实现智能手机高效边缘计算，保护用户数据免受侧信道与总线探测攻击
痛点与突破
健康监测类App虽便利，但庞大的机器学习模型需在手机与云端服务器间频繁搬运数据，导致响应慢、能耗高。硬件加速器虽能减少数据移动，却易受侧信道攻击（通过功耗分析反推数据）与总线探测攻击（窃取加速器与片外内存间通信的模型/数据位）威胁。
MIT与MIT-IBM Watson AI Lab研究者开发的新型机器学习加速器芯片，在抵御上述两大常见攻击的同时，实现了大模型在边缘设备上的高效运行，保护健康记录、财务信息等敏感数据隐私。
三管齐下的安全设计
- 数据随机分片：将IMC中的数据拆分为随机片段（如0拆为三个逻辑运算后仍为0的比特），单次运算不使用所有片段，使侧信道攻击无法还原真实信息。通过简化计算消除了生成大量随机比特的开销。
- 轻量级密文保护：采用轻量级加密保护片外内存中的模型，仅在必要时解密片上所需片段，计算开销极小。
- 片上物理不可克隆函数（PUF）生成密钥：利用制造工艺引入的随机物理变异（如线宽微小差异）直接在芯片上生成唯一解密密钥，避免密钥搬运风险，并复用存储单元缺陷降低计算量。
实测验证与权衡
研究者模拟黑客攻击尝试数百万次均未能破解，而无保护芯片仅需约5000个样本即可窃取信息。安全增强带来的代价是能效略降、芯片面积增大（成本上升）。团队未来将探索降低功耗与面积的方案，以平衡安全性与可部署性。Anantha Chandrakasan院士指出，这种跨层优化的安全处理器设计将成为未来移动设备的关键。
传感器