5 publicações marcadas com esta tag.
A Anthropic publicou um experimento mostrando que modelos de IA pequenos, quantizados e fragmentados em 'shards', já conseguem rodar inferência em hardware IoT barato, como caixas de Android TV. A empresa alerta que isso pode viabilizar no futuro próximo worms de IA capazes de se auto-replicar entre dispositivos sem comando centralizado, embora reconheça obstáculos práticos significativos para isso acontecer hoje.
Fonte ↗O trabalho avalia ataques de evasão do tipo caixa-preta contra uma defesa de treinamento adversarial baseada em custo-utilidade, aplicada a aprendizes online (árvores e florestas adaptativas) usados para detecção de anomalias e intrusão em redes IoT. As versões com treinamento adversarial mantiveram acurácia adversarial de até 0,985 com queda de apenas 0,8% em relação à acurácia em dados limpos, no orçamento de custo mais alto testado.
Fonte ↗Um estudo forense avalia se sistemas de detecção de intrusão baseados em aprendizado de máquina para IoT realmente aprendem comportamento de ataque generalizável ou apenas exploram atalhos espúrios do dataset, como IPs/MACs estáticos de bancada de teste e artefatos cronológicos de captura. Usando divisões que respeitam a separação por sessão PCAP, o recall de um ataque de DNS beaconing despenca de 27,78% para 0,00% quando features contextuais são removidas, e uma divisão aleatória tradicional (não disjunta por sessão) infla o recall em até 14 pontos percentuais frente à divisão correta.
Fonte ↗Pesquisadores mostram que um modelo de localização humana originalmente treinado com dados de Channel State Information (CSI) -- que exige hardware e drivers especiais -- pode ser reaproveitado para inferir posição a partir de RSSI, a métrica de intensidade de sinal Wi-Fi disponível em praticamente qualquer dispositivo IoT sem permissões elevadas. O modelo atingiu cerca de 80% de confiança na detecção de movimento humano em um ambiente real testado.
Fonte ↗Pesquisadores propõem o PrivateHub, um modelo de difusão treinado com aprendizado contrastivo para gerar versões sintéticas de fluxos de dados multi-sensor que escondem atividades privadas do usuário sem comprometer a detecção de aplicações não-privadas. A abordagem ataca diretamente o problema da inferência cruzada entre sensores, um vetor de vazamento de privacidade que técnicas tradicionais como privacidade diferencial e filtragem por regras não conseguem mitigar. Em testes com três datasets reais, o método reduziu a acurácia de inferência de aplicações privadas em 40 a 50%, mantendo-se robusto mesmo quando o atacante retreina seu modelo diretamente sobre os dados sintéticos.
Fonte ↗