NVIDIA ha diseñado NVIDIA Confidential Computing (CC) como una solución para abordar las preocupaciones de privacidad, soberanía y seguridad de datos durante la inferencia de modelos de IA. La tecnología está diseñada para proporcionar un entorno seguro para procesar datos mientras están en uso, dirigiéndose específicamente a las necesidades de aplicaciones de IA agéntica. Este enfoque tiene como objetivo permitir que las organizaciones adopten la IA sin comprometer la seguridad o el rendimiento.
NVIDIA introduce Computación Confidencial para inferencia de IA segura
La telemetría de cero sobrecarga detecta el entrenamiento oculto de ML
Un estudio evalúa la clasificación de cargas de trabajo de GPU utilizando únicamente telemetría NVML de cero sobrecarga. El clasificador logra una precisión del 98,2% en la identificación de cargas de trabajo de entrenamiento y una precisión del 43-87% frente a cargas de trabajo adversarialmente disfrazadas e inesperadas en 9 modelos de GPU.
ShareMMU permite el intercambio seguro de traducción de direcciones entre aceleradores no confiables con baja sobrecarga
Los investigadores presentan ShareMMU, un diseño de IOMMU que permite a múltiples aceleradores no confiables reutilizar de forma segura direcciones previamente traducidas dentro de un espacio de direcciones virtuales compartido. Este enfoque mitiga los riesgos de canales laterales asociados con grandes búferes de traducción compartidos (TLB) mientras mantiene un alto rendimiento.
Onyx logra un costo 1,7-9,9 veces menor y una latencia 2,3-12,3 veces menor para la búsqueda ANN disk-oblivious
Los investigadores proponen Onyx, un enfoque eficiente en costos para la búsqueda de vecinos más cercanos aproximados (ANN) disk-oblivious que equilibra el ancho de banda y el recuento de accesos invirtiendo el diseño de los sistemas ORAM-ANN de última generación.
Privatar permite la realidad virtual multiusuario escalable con preservación de privacidad mediante descarga segura
Los investigadores presentan Privatar, un marco que descarga la reconstrucción del avatar desde los auriculares hacia dispositivos locales no confiables mientras se protege contra la interceptación de datos. El sistema aprovecha el conocimiento específico del dominio de la reconstrucción del avatar para lograr una descarga privativa demostrable con un costo mínimo de rendimiento.
NVIDIA lanza GPIR para la recuperación privada de información acelerada por GPU
Investigadores de NVIDIA han presentado GPIR, un sistema que acelera la Recuperación Privada de Información (PIR) en GPUs abordando la alta computación y el tráfico de memoria en el lado del servidor inherentes a los protocolos basados en retículas. El sistema emplea un modelo de ejecución híbrido consciente de las etapas que cambia dinámicamente entre kernels a nivel de operación y a nivel de etapa para maximizar la reutilización de datos en el chip.