善用超级电脑 为工业4.0工厂设计分配式智能防骇系统
- DIGITIMES企划
-
近年超级电脑的新闻不少，包括国网中心新造的「台湾杉」上线、科技部启动量子电脑研发专案；强大的超级电脑，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、解答能力高的演算法，没硬件也不行。超级电脑早在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超级电脑也已上市。到现在GPU、GGPU、TPU等微处理器的应运而生，也使得超级电脑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演算法，再转置到超级电脑上去执行地毯式的分配防骇任务(Carpet IDS)，比较能符合网络网安运作的环境情况。
「但关键不止在AI演算法及超级电脑，也同时在统计分析技术上。」锺云恭说，网络传讯数据本身的意义，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中的不正常信号，特别是鬼谲多变又分段穿插在正常信号之间的黑客信号，多个单一变量的数据与信号监别，恐早已不合IIoT信息传递现状，「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信号的契机。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，因为这麽做永远赶不上黑定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!)，像是与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演算法全部，我们不妨多思考其他方法，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演算法，那就更适合，像是人工免疫网络(Artificial Immune Network；AIN)。
用AIN去创建一套具高度免疫能力的超级电脑(Highest Immunity Supercomputer，由美国NASA下辖的DARPA提出)，让免疫超级电脑中的每一个微处理器，各具不同抗体(antibody)的功能，而外来不正常信号就是抗原(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识别出，并再记住，下次秒杀，如此只会使免疫超级电脑愈来愈强。
