AESOP：通过对抗性执行路径选择来压垮深度学习流水线
摘要
本文介绍了 AESOP，这是一种用于对抗性执行路径选择的框架，能够显著增加深度学习推理流水线中的浮点运算次数（FLOPs）和延迟，揭示了基于效率的新型漏洞。
查看缓存全文
缓存时间: 2026/05/13 06:25
# AESOP：对抗性执行路径选择以压垮深度学习流水线 来源：https://arxiv.org/abs/2605.10987 查看 PDF (https://arxiv.org/pdf/2605.10987) > 摘要：现代机器学习部署日益将专用模型组合成动态推理流水线，其中上游组件生成的中间预测决定了下游组件的工作负载和输入。因此，处理某个输入的成本并非由单个模型决定，而是由两个耦合因素决定：每个被调用组件的每次推理成本及其工作负载量。由于这些流水线在严格的实时约束下运行，效率是系统可用性的基本要求。我们证明，这种结构创造了一个效率攻击面，现有的针对单个模型的方法无法利用：在相同的输入和预算下，感知路径的定向攻击使 FLOPs 膨胀达 $2,407\times$，而最强的单模型基线仅实现 $117\times$ —— 这 $20\times$ 的差距完全归因于攻击的方向。我们将此形式化为对抗性路径选择问题，并提出了 AESOP，这是一个结合了漏洞引导的路径排名与自适应损失权重的框架。我们在五个流水线以及一个包含批处理、有界缓冲和置信度阈值防御的生产级部署变体上评估了 AESOP。在白盒设置中，AESOP 实现了高达 $2,407\times$ 的 FLOPs 和 $419\times$ 的延迟膨胀；在灰盒设置中，分别为 58$\times$ FLOPs 和 17$\times$ 延迟。在系统级防御下，攻击未被中和而是被重定向：流水线被迫在吞吐量崩溃（$0.578 \to 0.006$ 输入/秒）与为维持吞吐量而承受 $96.7\%$ 的数据丢失之间做出选择。 ## 提交历史 来自：Tingxi Li [查看电子邮件 (https://arxiv.org/show-email/9e326df8/2605.10987)] **[v1]** 2026 年 5 月 9 日 星期六 09:16:49 UTC (252 KB)
相似文章
FAPO: 多步骤LLM流水线的全自动提示优化
FAPO是一个用于多步骤LLM流水线的全自动提示优化框架，结合了提示编辑和结构变化。在18次对比中，它在15次中优于GEPA基线，在安全任务上收益高达+33.8个百分点。
一步梯度延迟并非大规模异步流水线并行LLM预训练的障碍
本文挑战了异步流水线并行中一步梯度延迟天生不稳定的假设，表明性能下降取决于优化器的选择。研究证明，Muon等优化器对一步延迟具有鲁棒性，并引入了一种基于误差反馈的修正方法以进一步缓解陈旧的梯度问题，在高达10B参数的LLM预训练中实现了接近同步训练的性能。
无攻击者的博弈：选择压力下LLM驱动搜索中的基准指纹识别
本文研究了LLM驱动的GPU内核进化优化如何对评估配置进行指纹识别，导致30%的分布内获胜结果在留出设置上失败。本文提供了失败模式的分类体系，以及战略优化下稳健基准测试的设计指南。
神经网络策略的对抗性攻击
OpenAI 研究人员展示了对抗性攻击（先前在计算机视觉中研究过）对强化学习中的神经网络策略也同样有效，即使在白盒和黑盒设置中进行微小的难以察觉的扰动也会导致显著的性能下降。
Crushing the Evidence: A Dual-Penalty Evasion Framework for Fooling White-Box Explainable AI Auditors
This paper introduces a white-box, gradient-regularized evasion framework that embeds attack logic directly into model parameters, successfully fooling explainable AI auditors like LIME, SHAP, and Integrated Gradients while bypassing anomaly detection defenses.