神经形态处理和自搜索存储如何降低数据风险

随着数字化进程逐渐深入，机构组织必须在边缘处理的信息数量激增。从设备、建筑、车辆、船舶、飞机等的移动设备和边缘传感器中将生成大量数据。

寻找有效的方法来管理、使用和保护这些数据是一项艰巨的任务。如今一个有效且具有成本效益的解决方案出现。神经形态处理和自搜索计算存储的结合可以使组织快速处理大量边缘数据。

边缘数据困境

边缘数据可以提供决策参考，从而实现更有效的核心任务。问题是，处理这些数据所需的计算和网络基础设施没有跟上。组织缺乏在边缘处理数据的计算能力，也缺乏将数据传输到具有处理能力的集中位置的网络带宽。

传统的计算技术占用了太多的空间，产生了太多能耗，难以在边缘使用。传统的网络技术也无法以有效速度远距离移动大量数据

网络安全隐患

各机构不仅必须找到有效的数据管理方法，还需要保护其资产免受网络威胁。如今，网络安全团队在应对网络攻击时必须筛选大量数据。为了发现异常并找出根本原因，他们需要从访问日志和安全信息与事件管理（SIEM）系统中搜索大型数据集。他们还需要尽可能接近实时地完成这项任务，以及时防止网络入侵。但到目前为止，还缺乏一个有效的计算和存储解决方案来在边缘实现这一目标。

Cyberedge的一份新报告发现，68%的政府机构在2021面临网络攻击，这表明政府机构需要在发生攻击时找到创新的数据保护解决方案。在应对网络事件时，主动响应能力至关重要，通过快速找到数据并实时提醒分析师，大大降低网络风险并保护任务。

神经形态（neuromorphic）处理力量

如果计算机的功能更像人脑，那将是有帮助的。人类看到一片开着数千朵黄色花朵的田野，能够立即发现一朵红色的花朵。计算机需要单独处理每一朵花，直到发现异常为止。

这是因为经过亿万年的进化，大脑已经被微调，能够很好地执行特定的任务。它这样做的同时消耗的能量非常少。

但是，如果像大脑一样，计算机可以非常快速地执行特定任务，而只需要很少的电力，会怎么样？这就是神经形态处理器的前景——本质上是一台模仿大脑系统的计算机。

神经形态处理能够在边缘改变网络风险。从构建在高端现场可编程门阵列（FPGA）集成电路上的神经形态处理单元（NPU）开始，该集成电路专为加速关键工作负载而定制。添加几十TB的本地SSD存储。其结果是一个基于NPU的自搜索存储设备，可以在边缘和极低的功耗下对非常大的数据集执行极其快速的搜索。

NPU技术搜索大型数据集的速度有多快？将多个NPU设备组合在一个机架中，可以在大约12分钟内搜索1 PB的数据。要用传统技术实现这一结果，您需要62个服务器机架，而且预算非常大。在测试中，NPU设备机架需要的CapEx（资本性支出）降低84%，OpEx（运营支出）降低99%，功率降低99%。

想象一下，在应对黑客攻击这样的情况时，在几分钟内搜索一PB的数据有什么好处。Sunburst黑客攻击美国始于2020年3月左右，但直到2020年12月才被发现，影响了至少200个组织，包括国防部、国土安全部、财政部、商务部和司法部等政府部门。各机构必须搜索至少九个月的数据，以确定哪里发生了违规行为，当前的违规活动，以及哪些系统、网络和数据受到了影响。

在这种情况下，神经形态处理和自我搜索存储可以缩短事件响应时间。这可以节省成本，加快事件解决，并降低网络风险。

NPU搜索技术是与美国能源部的研发实验室桑迪亚国家实验室合作开发的。如今，桑迪亚正在积极使用多个NPU系统进行网络防御和其他用例。

此外，部署NPU设备存储不需要更改组织当前的IT基础架构或网络防御。该设备只是与现有的硬件和网络安全解决方案并驾齐驱。大型数据集的搜索发生在边缘。识别出的任何少量相关数据都可以快速方便地传输，以便进行集中分析。

NPU设备还有其他潜在的使用案例。例如，一家财富50强公司用于数据标记技术来训练机器学习算法。该组织将所需时间从一个月减少到22分钟。与此同时，神经形态处理和自我搜索存储是一种可实现的、具有成本效益的解决方案，可以保护敏感数据并降低边缘网络风险。