最便宜者存活：面向对抗鲁棒性的成本感知硬件适配
密码学与安全
2026-04-23 v2 计算机视觉与模式识别
机器学习
应用统计
摘要
部署对抗鲁棒机器学习系统需要在鲁棒性、成本和延迟之间持续权衡。我们提出了一个自主决策支持框架，为云原生深度学习中的自适应硬件选择和超参数调优提供量化基础。该框架应用加速失效时间（AFT）模型，量化硬件选择、批量大小、训练轮数和验证准确率对模型存活时间的影响。该框架可自然集成到自主控制循环（监控-分析-计划-执行，MAPE-K）中，其中系统指标如成本、鲁棒性和延迟被持续评估，用于适配模型配置和硬件选择。跨三种 GPU 架构的实验确认，该框架既可靠又高性价比：Nvidia L4 在成本降低 75% 的情况下，使对抗存活时间提高 20%，表明高价硬件并不一定提升鲁棒性。进一步分析发现，模型推理延迟是对抗鲁棒性的更强预测因子，优于训练时间或硬件配置。
引用
@article{arxiv.2409.07609,
title = {Survival of the Cheapest: Cost-Aware Hardware Adaptation for Adversarial Robustness},
author = {Charles Meyers and Mohammad Reza Saleh Sedghpour and Tommy Löfstedt and Erik Elmroth},
journal= {arXiv preprint arXiv:2409.07609},
year = {2026}
}