AWS
Advantechline
 

善用超级计算机 为工业4.0工厂设计分配式智能防骇系统

元智大学工业工程与管理学系副教授锺云恭。

近年超级计算机的新闻不少,包括国网中心新造的「台湾杉」上线、科技部启动量子计算机研发专案;强大的超级计算机,将形成AI发展的坚实后盾。

元智大学工业工程系副教授锺云恭指出,大家听到的AI,多与神经网络相关,偏向归纳(反推)法(Induction),从「果」归纳出可能的「因」,但论及逻辑推理,还有由因推论到果的演绎(正推)法(Deduction),与因果互推的双向推理法(Abduction),可混和运用,须依学习对象及解决问题目的而定,故三种方法各具价值,绝非仅有「深度学习」单一途径;此外,「浅一点的学习(Shadow Learning)」模式,反而比较适合云雾(fog)甚或云气(mist)等具有分配架构特性的运算,因为要计算在IIoT上的节点(node)实在太多,在线实时学习的速率,不用最快的fastest learning怎行!

但这还不够。有快的、解答能力高的算法,没硬件也不行。超级计算机早在30年前就已商业化。那时平行运行数千个CPU的递增式Cube或Cray超级计算机也已上市。到现在GPU、GGPU、TPU等微处理器的应运而生,也使得超级计算机的平行计算程序逻辑的设计更行简易,但也牺牲了达到「记忆与计算两者,同时达到真正高标平行配置安排」的目标。将在IIoT上的每个节点运算,各自配置一个微处理器负责,就可达到分担整个智能工厂各IIoT节点的防骇任务。

更何况5G的来临,那些还在「追赶跑跳碰」的事后反应式(reaction)防骇系统,若不从本质上改变「软硬韧」三体的设计,那未来的AI War是否真会发生?难道就不会有超级细菌等的「AI病毒」出现?因此,要在云雾或云气里,设计一套智能防骇系统,还真得有个「怏狠准」的自发性(autonomic automation)在线及即学习系统才行!锺云恭建议:构思一套以Abduction为骨架的AI算法,再转置到超级计算机上去执行地毯式的分配防骇任务(Carpet IDS),比较能符合网络资安运行的环境情况。

「但关键不止在AI算法及超级计算机,也同时在统计分析技术上。」锺云恭说,网络传讯资料本身的意义,远大于AI模式的建构。如何从IIoT中,过滤出有意义的Metadata,才有可能监别出隐藏于IIoT中的不正常讯号,特别是鬼谲多变又分段穿插在正常讯号之间的黑客讯号,多个单一变量的资料与讯号监别,恐早已不合IIoT讯息传递现状,「多变量统计及监别分析」技术必须采用,才有可能提高早期发现黑客攻击讯号的契机。此外,锺云恭也认为,在统计采样的过程中,应避免偏重于采用「不正常」样态的学习,因为这么做永远赶不上黑客制造不同病毒交互变异的「智能进化」速度,反倒更需要学习「正常」样态,试图从正常来推论异常。

最后,锺云恭表示,「深度」只是各种AI学习过程中的多种机制之一(How much deep is deep? “The More, The Better?” Wrong!),象是与Hashing(杂碰)、Reinforcement(再增强)等等一样,大多用来额外增加解答能力,但并不代表AI算法全部,我们不妨多思考其它方法,尤其就智能IDS分配式监控IIoT的目标来看,(深度)神经网络反而不太适用,若采用能建构出(construct)具「群体递增学习能力」(Population-Based Incremental Learning Capability)的AI算法,那就更适合,象是人工免疫网络(Artificial Immune Network;AIN)。

用AIN去创建一套具高度免疫能力的超级计算机(Highest Immunity Supercomputer,由美国NASA下辖的DARPA提出),让免疫超级计算机中的每一个微处理器,各具不同抗体(antibody)的功能,而外来不正常讯号就是抗原(antigene),而人体的免疫学习能力又是递增式的,对曾入侵的病毒具记忆能力,对新变异病毒又可在线实时辨识出,并再记住,下次秒杀,如此只会使免疫超级计算机愈来愈强。

  •     按赞加入DIGITIMES智能应用粉丝团