في عالم الذكاء الاصطناعي (AI)، يُعتبر التعلم الفيدرالي (Federated Learning) من أبرز الابتكارات، حيث يتيح لعدة عملاء العمل معًا على نموذج ذكاء اصطناعي دون تبادل بياناتهم الشخصية. هذه التقنية ذات الفوائد المحتملة الكبيرة، إلا أنها ليست محصنة ضد التهديدات السيبرانية الحديثة. في دراسة حديثة، اكتشف باحثون نوعًا جديدًا من الهجمات يعرف بهجوم Rowhammer عن بُعد، الذي يمكنه التسبب في تلف ذاكرة الخادم في نظم التعلم الفيدرالي.

يوضح الباحثون أن هذا الهجوم يستخدم الأساليب الأكثر تقدمًا مثل التعلم المعزز (Reinforcement Learning)، حيث لا يحتاج القراصنة للوصول المباشر إلى الخادم لشن الهجوم. بدلاً من ذلك، يستهدفون عددًا معينًا من العملاء الذين يمكن أن يساهموا في تحديثات متكررة لذاكرة الخادم، مما يمكّنهم من بدء الهجوم عن بُعد.

تُظهر النتائج أن العميل القادر على تلاعب معلومات الاستشعار يمكن أن يُحدث حوالي 70% من تحديثات الذاكرة المتكررة في نموذج الخادم المستهدف، مما يؤدي إلى حدوث ما يُعرف بـ 'bit flips' في الذاكرة. هذه الهجمات تحمل تداعيات كبيرة، حيث يمكن أن تؤدي إلى تعطيل عملية التعلم أو حتى منح صلاحيات مرتفعة للهاكر.

تفتح هذه النتائج باباً جديدًا في مجال البحث حول كيفية حماية أنظمة التعلم الفيدرالي، والتي تعتمد بشكل كبير على تحديثات الذاكرة، مما يجعل أمانها أكثر أهمية من أي وقت مضى. يبدو أن الحاجة إلى استراتيجيات تقليل المخاطر وتقديم تصميمات محسنة للأجهزة أصبحت ملحة.