知识卡片：拒绝截止期限——网络驱动的分布式推理流水线准确度崩塌

英文标题: Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference Pipelines
英文关键词: foundation-model, inference pipeline, accuracy collapse, shaped workload attack, Yo-Yo bursts

一句话结论

分布式推理架构中的协调层（路由器和合并器）易受波形工作负载攻击（如 Yo‑Yo 突发请求），攻击者通过资源竞争使正常用户的慢路径预测延迟超过截止期限，导致预测被丢弃，从而引发准确度崩塌——无需获取模型权重或受害者数据，即可显著降低推理质量。

事件概述/研究问题

现代推理系统常采用“快路径+慢路径”方案：快路径在延迟截止期内返回预测，慢路径在更强的远程硬件上运行高计算量方法以获得更高精度，并通过协调层（路由器调用慢路径、合并器决定是否采纳慢路径返回的预测）整合结果。本文发现，该协调层暴露出新的攻击面——形状工作负载攻击可人为制造资源竞争，将慢路径预测推出延迟截止期，使合并器丢弃这些预测，从而损失慢路径精度优势，作者将此现象称为准确度崩塌。

方法/产品要点

• 架构抽象：统一描述为快路径、慢路径、协调层（路由器+合并器）。
• 攻击方式：波形突发请求（Yo‑Yo bursts），即故意制造高强度、间歇性的请求模式，引发慢路径共享资源的竞争。
• 防御方向：论文呼吁研究针对路由、合并、调度和资源隔离的攻防方法。

主要结果/产业意义

在自动驾驶多目标跟踪的边缘-云双层流水线仿真中：

• 约 4,000 个突发请求将正常用户 p99 延迟从 92 ms 提升至 2 s。
• 慢路径的云端推理优势几乎被消除，平均 HOTA 指标下降 7.0 分。
• 攻击影响因目标视频区间而异，HOTA 下降幅度在 2.0–18.7 分之间波动。
• 稀有类别（如停止标志）的预测准确度损失近半（约 50%）。

产业意义：该攻击不依赖模型权重或受害者数据，揭示了一个新的安全威胁，对实时性要求高的分布式 AI 服务（如自动驾驶、工业视觉）构成严峻挑战。

为什么重要

• 首次系统性地识别出分布式推理流水线中协调层的时间依赖攻击面。
• 攻击成本低、隐蔽性强，可绕过传统模型安全防御（如对抗样本检测、数据投毒）。
• 与已有相关卡片中的“分布式攻击与持久状态AI控制”不同，本工作聚焦于推理阶段的时序资源竞争，而非代码库中的渐进式攻击；也与“视觉语言模型准确性”无关，填补了分布式推理安全领域的空白。

局限与不确定性

• 当前仅在自动驾驶多目标跟踪仿真环境中验证；真实部署场景（如不同网络拓扑、异构硬件）的攻击效果待核实。
• 攻击效果对目标视频区间的依赖性较强，通用性待进一步分析。
• 论文未提供针对此类攻击的成熟防御方案，仅提出研究方向。

可用于图书/PPT/简报的角度

• 安全课程：以“时间即精度”为例讲解新型侧信道攻击。
• AI 系统设计：强调边缘-云协作推理中协调层的时序保障与资源隔离需求。
• 产业风险简报：展示自动驾驶等实时场景下被忽视的攻击路径。

原始材料

• 论文标题：Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference Pipelines
• arXiv ID：2607.24692v1
• 作者：Jhonatan Tavori, Gur-Eyal Sela, Ion Stoica, Gil Zussman
• 发布日期：2026-07-27
• 分类：cs.NI, cs.AI, cs.CR, cs.DC
• 来源：https://arxiv.org/abs/2607.24692v1