基于功率波动检测数据中心隐蔽AI训练方法研究
先了解这件事
2026年10月23日，arXiv发布论文提出利用Viterbi追踪算法分析电力数据中的随机游走特征，以检测设施级同步大模型训练。模拟数据显示，在采样频率达2Hz且运营商未隐藏时，该方法能以1%误报率检出至少96%任务。针对八种对抗策略，仅“极端改变单次迭代工作量”能部分规避检测。该最强形式隐藏虽能在5分钟窗口内降低可检测性，但具体后续效果报道未完整披露。
AI 根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- arXiv cs.CR基于功率波动的Viterbi追踪可检测数据中心内的隐蔽AI训练
该论文提出一种无需信任运营商即可在设施级电力层面检测同步大模型训练的方法，核心是利用Viterbi追踪算法分析迭代节奏的随机游走特征。在模拟数据中心数据上，当运营商未尝试隐藏时，该方法能以1%的误报率检测到至少96%的训练任务，且性能接近Neyman-Pearson最优解，前提是计量表采样频率达到2Hz或更高。 针对八种可能的对抗性隐藏策略，仅“极端改变单次迭代工作量”这一种策略能部分规避检测。这种最强形式的隐藏虽能在5分钟观察窗口内掩盖高达73%的训练活动，但在一天尺度下仍能捕获至少87%的任务，同时保持0.1%的单次运行误报率。关键发现是，实施此类隐藏策略虽然不降低吞吐量，但在小规模训练中，运营商需要额外投入93%至267%的计算资源才能达到相同的损失水平。 事实层面，该研究证明了被动式功率计量足以使隐蔽训练变得既容易被检测又成本高昂。推断层面，这暗示未来算力验证可能不再单纯依赖软件层面的审计，而是转向物理基础设施层的监控。猜测层面，若该方案被纳入治理协议，将迫使运营商在隐藏训练的成本与收益之间重新权衡，从而改变其计算资源的配置策略。
本事件热度走势
当前热度 9·可比范围峰值 9（10月23日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。