Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference Pipelines
论文《Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference Pipelines》研究了分布式推理管线中，快慢路径协调层暴露的新攻击面。通过形状化工作负载攻击（如Yo-Yo突发），攻击者可利用慢路径上的共享资源争用，使良性用户的慢路径预测超过延迟截止时间，导致合并器丢弃这些预测，造成精度崩溃。论文在自动驾驶的双层边缘-云多目标跟踪管线中模拟了该攻击，约4000个突发形状请求使平均精度下降。
发展脉络
- 首次出现Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference PipelinesarXiv cs.AI
- 当前判断该发现对部署分布式推理服务的公司（如自动驾驶、实时视频分析）构成直接威胁。当前行业聚焦于模型精度和延迟优化，但忽视了协调层的安全风险。攻击者可能通过低成本请求使高价值服务降级，影响用户体验和安全性。Agent Pulse · 分析
该论文揭示了分布式推理系统中快慢路径协调层的新安全漏洞。在典型架构中，快速路径在延迟截止时间内返回预测，慢路径在远程更强硬件上运行高计算方法，协调层包含路由器和合并器。攻击者通过形状化工作负载（如Yo-Yo突发）引发慢路径共享资源争用，使良性用户的慢路径预测超时被丢弃，导致精度崩溃。在自动驾驶多目标跟踪场景的模拟中，约4000个突发请求即可显著降低平均精度。
分布式推理的协调层（路由器和合并器）成为新的攻击面。攻击者无需直接篡改模型，仅通过控制请求时序和负载模式即可引发精度崩溃。这暴露了现有推理系统在延迟敏感场景下的脆弱性，尤其是当慢路径依赖共享网络或计算资源时。未来系统需设计抗突发负载的调度策略或引入冗余慢路径。
该发现对部署分布式推理服务的公司（如自动驾驶、实时视频分析）构成直接威胁。当前行业聚焦于模型精度和延迟优化，但忽视了协调层的安全风险。攻击者可能通过低成本请求使高价值服务降级，影响用户体验和安全性。
对于提供分布式推理API或边缘计算服务的公司，该漏洞可能被用于服务降级攻击，导致客户流失或合同违约。提前加固协调层可成为差异化竞争优势，降低运营风险。
预计将出现针对分布式推理协调层的攻击检测与防御研究，如动态资源隔离、请求速率限制或慢路径超时自适应调整。长期看，推理系统架构需内置抗负载攻击的机制，可能推动边缘-云协同的标准化安全协议。