क्या आप हमारे तंत्रिका नेटवर्क को रिवर्स इंजीनियर कर सकते हैं?

न्यूरल नेटवर्क रिवर्स इंजीनियरिंग का बढ़ता खतरा - और आपके व्यवसाय के लिए इसका क्या अर्थ है

2024 में, एक प्रमुख विश्वविद्यालय के शोधकर्ताओं ने प्रदर्शित किया कि वे एपीआई प्रतिक्रियाओं और लगभग $2,000 मूल्य की गणना के अलावा और कुछ नहीं का उपयोग करके एक मालिकाना बड़े भाषा मॉडल की आंतरिक वास्तुकला का पुनर्निर्माण कर सकते हैं। इस प्रयोग ने एआई उद्योग को सदमे में डाल दिया, लेकिन इसके निहितार्थ सिलिकॉन वैली से कहीं आगे तक पहुंचे। मशीन लर्निंग मॉडल तैनात करने वाला कोई भी व्यवसाय - धोखाधड़ी का पता लगाने वाली प्रणालियों से लेकर ग्राहक अनुशंसा इंजनों तक - अब एक असुविधाजनक प्रश्न का सामना कर रहा है: क्या कोई उस खुफिया जानकारी को चुरा सकता है जिसे बनाने में आपने महीनों खर्च किए हैं? न्यूरल नेटवर्क रिवर्स इंजीनियरिंग अब कोई सैद्धांतिक जोखिम नहीं है। यह एक व्यावहारिक, तेजी से सुलभ आक्रमण वेक्टर है जिसे प्रत्येक प्रौद्योगिकी-संचालित संगठन को समझने की आवश्यकता है।

न्यूरल नेटवर्क रिवर्स इंजीनियरिंग वास्तव में कैसी दिखती है

एक तंत्रिका नेटवर्क को रिवर्स इंजीनियरिंग करने के लिए उसे चलाने वाले सर्वर तक भौतिक पहुंच की आवश्यकता नहीं होती है। ज्यादातर मामलों में, हमलावर मॉडल निष्कर्षण नामक एक तकनीक का उपयोग करते हैं, जहां वे सावधानीपूर्वक तैयार किए गए इनपुट के साथ मॉडल के एपीआई को व्यवस्थित रूप से क्वेरी करते हैं, फिर लगभग समान प्रतिलिपि को प्रशिक्षित करने के लिए आउटपुट का उपयोग करते हैं। USENIX सिक्योरिटी में प्रकाशित 2023 के एक अध्ययन से पता चला है कि हमलावर 100,000 से कम प्रश्नों का उपयोग करके 95% से अधिक निष्ठा के साथ वाणिज्यिक छवि क्लासिफायर की निर्णय सीमाओं को दोहरा सकते हैं - एक ऐसी प्रक्रिया जिसकी एपीआई शुल्क में कुछ सौ डॉलर से भी कम लागत होती है।

निष्कर्षण के अलावा, मॉडल उलटा हमले भी हैं, जो विपरीत दिशा में काम करते हैं। मॉडल की नकल करने के बजाय, हमलावर प्रशिक्षण डेटा का पुनर्निर्माण करते हैं। यदि आपके तंत्रिका नेटवर्क को ग्राहक रिकॉर्ड, मालिकाना मूल्य निर्धारण रणनीतियों, या आंतरिक व्यापार मेट्रिक्स पर प्रशिक्षित किया गया था, तो एक सफल उलटा हमला सिर्फ आपके मॉडल को चुरा नहीं लेता है - यह इसके वजन में निहित संवेदनशील डेटा को उजागर करता है। एक तीसरी श्रेणी, सदस्यता अनुमान हमले, विरोधियों को यह निर्धारित करने की अनुमति देती है कि क्या एक विशिष्ट डेटा बिंदु प्रशिक्षण सेट का हिस्सा था, जो जीडीपीआर और सीसीपीए जैसे नियमों के तहत गंभीर गोपनीयता चिंताओं को बढ़ाता है।

आम बात यह है कि "ब्लैक बॉक्स" धारणा - यह विचार कि एपीआई के पीछे एक मॉडल को तैनात करना इसे सुरक्षित रखता है - मूल रूप से टूट गया है। आपके मॉडल द्वारा दी गई प्रत्येक भविष्यवाणी एक डेटा बिंदु है जिसका उपयोग हमलावर आपके विरुद्ध कर सकता है।

व्यवसायों को वर्तमान से अधिक देखभाल क्यों करनी चाहिए?

अधिकांश संगठन अपने साइबर सुरक्षा बजट को नेटवर्क परिधि, एंडपॉइंट सुरक्षा और डेटा एन्क्रिप्शन पर केंद्रित करते हैं। लेकिन एक प्रशिक्षित तंत्रिका नेटवर्क में अंतर्निहित बौद्धिक संपदा महीनों के अनुसंधान एवं विकास और लाखों की विकास लागत का प्रतिनिधित्व कर सकती है। जब कोई प्रतिस्पर्धी या दुर्भावनापूर्ण अभिनेता आपका मॉडल निकालता है, तो वे बिना किसी खर्च के आपके शोध का पूरा मूल्य प्राप्त कर लेते हैं। आईबीएम की 2024 डेटा ब्रीच रिपोर्ट की लागत के अनुसार, एआई सिस्टम से जुड़े औसत उल्लंघन की लागत संगठनों को $5.2 मिलियन - एआई परिसंपत्तियों से जुड़े उल्लंघनों की तुलना में 13% अधिक है।

छोटे और मध्यम आकार के व्यवसायों के लिए जोखिम विशेष रूप से तीव्र है। एंटरप्राइज़ कंपनियां समर्पित एमएल सुरक्षा टीमों और कस्टम बुनियादी ढांचे का खर्च उठा सकती हैं। लेकिन अपने संचालन में मशीन लर्निंग को एकीकृत करने वाले एसएमबी की बढ़ती संख्या - चाहे लीड स्कोरिंग, मांग पूर्वानुमान, या स्वचालित ग्राहक सहायता के लिए - अक्सर न्यूनतम सुरक्षा सख्तता वाले मॉडल तैनात करते हैं। वे तीसरे पक्ष के प्लेटफ़ॉर्म पर भरोसा करते हैं जो पर्याप्त सुरक्षा लागू कर भी सकते हैं और नहीं भी।

एआई सुरक्षा में सबसे खतरनाक धारणा यह है कि जटिलता सुरक्षा के बराबर है। 100 मिलियन पैरामीटर वाला एक तंत्रिका नेटवर्क स्वाभाविक रूप से 1 मिलियन वाले नेटवर्क से अधिक सुरक्षित नहीं है - महत्वपूर्ण बात यह है कि आप इसके इनपुट और आउटपुट तक पहुंच को कैसे नियंत्रित करते हैं।

मॉडल चोरी के विरुद्ध पांच व्यावहारिक बचाव

आपके तंत्रिका नेटवर्क की सुरक्षा के लिए प्रतिकूल मशीन लर्निंग में पीएचडी की आवश्यकता नहीं है, लेकिन इसके लिए जानबूझकर वास्तुशिल्प निर्णयों की आवश्यकता होती है। निम्नलिखित रणनीतियाँ तैनात एमएल मॉडल को सुरक्षित करने के लिए एनआईएसटी और ओडब्ल्यूएएसपी जैसे संगठनों द्वारा अनुशंसित वर्तमान सर्वोत्तम प्रथाओं का प्रतिनिधित्व करती हैं।

दर सीमित करना और क्वेरी बजटिंग: संख्या को कैप करें

Related Posts

• macOS का अल्प-ज्ञात कमांड-लाइन सैंडबॉक्सिंग टूल (2025)
• सीएक्सएमटी मौजूदा बाजार दर से लगभग आधे पर डीडीआर4 चिप्स की पेशकश कर रहा है
• एचएन से पूछें: क्या अभी तक कोई एलएलएम लाइसेंस नहीं है?
• शेक्सपियर के 'टेम्पेस्ट' के लिए एक दृश्य स्रोत