迈向可持续的 SecureML：量化对抗机器学习的碳足迹

机器学习（ML）在各行业的广泛应用因其巨大的能源消耗和碳排放而引发了可持续性担忧。在对抗机器学习中，这一问题变得更加紧迫，该领域专注于增强模型抵御各种基于网络攻击的安全性。在 ML 系统中实施防御通常需要额外的计算资源和网络安全措施，加剧了其对环境的影响。在本文中，我们首次对对抗机器学习的碳足迹进行了调查，提供了将更高的模型鲁棒性与更高的碳排放联系起来的实证证据。为了解决量化这种权衡的关键需求，我们引入了鲁棒性碳权衡指数（RCTI）。这一受经济学弹性原理启发的新颖指标，捕捉了碳排放对对抗鲁棒性变化的敏感性。我们通过一项涉及规避攻击的实验演示了 RCTI，分析了抵御攻击的鲁棒性、性能和碳排放之间的相互作用。