Microsoft
Advantechline
 

善用超級電腦 為工業4.0工廠設計分配式智慧防駭系統

元智大學工業工程與管理學系副教授鍾雲恭。

近年超級電腦的新聞不少,包括國網中心新造的「臺灣杉」上線、科技部啟動量子電腦研發專案;強大的超級電腦,將形成AI發展的堅實後盾。

元智大學工業工程系副教授鍾雲恭指出,大家聽到的AI,多與神經網路相關,偏向歸納(反推)法(Induction),從「果」歸納出可能的「因」,但論及邏輯推理,還有由因推論到果的演繹(正推)法(Deduction),與因果互推的雙向推理法(Abduction),可混和運用,須依學習對象及解決問題目的而定,故三種方法各具價值,絕非僅有「深度學習」單一途徑;此外,「淺一點的學習(Shadow Learning)」模式,反而比較適合雲霧(fog)甚或雲氣(mist)等具有分配架構特性的運算,因為要計算在IIoT上的節點(node)實在太多,線上即時學習的速率,不用最快的fastest learning怎行!

但這還不夠。有快的、解答能力高的演算法,沒硬體也不行。超級電腦早在30年前就已商業化。那時平行運行數千個CPU的遞增式Cube或Cray超級電腦也已上市。到現在GPU、GGPU、TPU等微處理器的應運而生,也使得超級電腦的平行計算程式邏輯的設計更行簡易,但也犧牲了達到「記憶與計算兩者,同時達到真正高標平行配置安排」的目標。將在IIoT上的每個節點運算,各自配置一個微處理器負責,就可達到分擔整個智慧工廠各IIoT節點的防駭任務。

更何況5G的來臨,那些還在「追趕跑跳碰」的事後反應式(reaction)防駭系統,若不從本質上改變「軟硬韌」三體的設計,那未來的AI War是否真會發生?難道就不會有超級細菌等的「AI病毒」出現?因此,要在雲霧或雲氣裡,設計一套智慧防駭系統,還真得有個「怏狠準」的自發性(autonomic automation)線上及即學習系統才行!鍾雲恭建議:構思一套以Abduction為骨架的AI演算法,再轉置到超級電腦上去執行地毯式的分配防駭任務(Carpet IDS),比較能符合網路資安運作的環境情況。

「但關鍵不止在AI演算法及超級電腦,也同時在統計分析技術上。」鍾雲恭說,網路傳訊資料本身的意義,遠大於AI模式的建構。如何從IIoT中,過濾出有意義的Metadata,才有可能鑑別出隱藏於IIoT中的不正常訊號,特別是鬼譎多變又分段穿插在正常訊號之間的駭客訊號,多個單一變量的資料與訊號鑑別,恐早已不合IIoT訊息傳遞現狀,「多變量統計及鑑別分析」技術必須採用,才有可能提高早期發現駭客攻擊訊號的契機。此外,鍾雲恭也認為,在統計採樣的過程中,應避免偏重於採用「不正常」樣態的學習,因為這麼做永遠趕不上駭客製造不同病毒交互變異的「智慧進化」速度,反倒更需要學習「正常」樣態,試圖從正常來推論異常。

最後,鍾雲恭表示,「深度」只是各種AI學習過程中的多種機制之一(How much deep is deep? “The More, The Better?” Wrong!),像是與Hashing(雜碰)、Reinforcement(再增強)等等一樣,大多用來額外增加解答能力,但並不代表AI演算法全部,我們不妨多思考其他方法,尤其就智慧IDS分配式監控IIoT的目標來看,(深度)神經網路反而不太適用,若採用能建構出(construct)具「群體遞增學習能力」(Population-Based Incremental Learning Capability)的AI演算法,那就更適合,像是人工免疫網路(Artificial Immune Network;AIN)。

用AIN去創建一套具高度免疫能力的超級電腦(Highest Immunity Supercomputer,由美國NASA下轄的DARPA提出),讓免疫超級電腦中的每一個微處理器,各具不同抗體(antibody)的功能,而外來不正常訊號就是抗原(antigene),而人體的免疫學習能力又是遞增式的,對曾入侵的病毒具記憶能力,對新變異病毒又可線上即時辨識出,並再記住,下次秒殺,如此只會使免疫超級電腦愈來愈強。

  •     按讚加入DIGITIMES智慧應用粉絲團