善用超級電腦 為工業4.0工廠設計分配式智慧防駭系統
- DIGITIMES企劃
-
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。
