Bit2Watt: El riesgo de que inquilinos en la nube alteren redes eléctricas
Publicado el
Introducción a Bit2Watt
Recientes investigaciones de la Universidad de Zhejiang han dado a conocer una técnica denominada Bit2Watt, que permite a inquilinos de la nube manipular el consumo energético de los centros de datos. Este método, que no requiere explotación ni accesos no autorizados, plantea serias preocupaciones sobre la estabilidad de las redes eléctricas.
Funcionamiento del ataque
Bit2Watt funciona mediante el uso de GPUs comunes, capaces de ajustar rápidamente el consumo energético del centro de datos, lo que puede amenazar la infraestructura eléctrica en la que operan. Esta técnica se basa en la manipulación del poder de computación de las GPUs, que fluctúa según la carga de trabajo que se les asigne. Al saturar los núcleos de tensor, se generan picos de corriente que, al alternar entre estados de alta intensidad y casi inactividad, producen oscilaciones controlables en el consumo energético.
Los investigadores plantean la inquietante pregunta: ¿pueden las acciones computacionales legítimas ser utilizadas para desestabilizar infraestructuras energéticas? La respuesta se detalla en su estudio, presentado en la conferencia CHES 2026.
Métodos de ataque
Existen dos métodos principales descritos en el trabajo:
1. SWMA (Stochastic Workload Modulation Attack): Este método utiliza un kernel CUDA diseñado específicamente para alternar entre un modo de alta carga computacional y uno de baja carga. Un controlador en el host establece un horario de alternancia, logrando producir componentes de potencia que oscilan entre 1.5 kHz y 6 kHz, superando los niveles de carga que típicamente genera un aparato doméstico como un aire acondicionado.
2. LTMA (Load Training Modulation Attack): Este método es más preocupante, ya que oculta la modulación dentro de un proceso de entrenamiento de modelos de lenguaje grande (LLM). Ajustando los hiperparámetros y añadiendo operaciones auxiliares, se permite que la carga computacional varíe sin interrumpir el entrenamiento, complicando su detección.
Ambos métodos no requieren privilegios elevados, dado que los inquilinos ya controlan sus propios scripts de entrenamiento y horarios de trabajo.
Simulaciones y escenarios de riesgo
Los investigadores simularon un escenario crítico en el que un grid local de 1 MW, alimentado en un 90% por recursos energéticos distribuidos, se vería afectado por 1,000 GPUs operando en sincronía. En este caso, el total harmonic distortion (THD) alcanzó el 46.8%, superando el 13% recomendado por la norma IEC 61000-3-12, lo que indica un estado inestable donde la red amplifica las perturbaciones en lugar de amortiguarlas.
Además, se exploró un modelo más complejo basado en un sistema de transmisión europeo, donde una perturbación local del 2% podría llevar a una reducción del 81% de la carga. Este análisis resalta la necesidad de una sincronización precisa entre las GPUs para que el ataque sea efectivo.
Relevancia y advertencias
Aunque estos experimentos se realizaron en un entorno controlado, los hallazgos son preocupantes. En agosto de 2025, Microsoft, OpenAI y NVIDIA publicaron un estudio sobre la estabilidad energética en el entrenamiento de IA, advirtiendo que las oscilaciones sincronizadas de grandes trabajos de entrenamiento pueden causar daños físicos en la infraestructura eléctrica si coinciden con frecuencias críticas de las utilidades.
Bit2Watt lleva este riesgo un paso más allá, investigando cómo un inquilino en la nube podría explotar accidentalmente este efecto para desestabilizar la red eléctrica. La combinación de un comportamiento accidental y el potencial para un uso intencionado subraya la necesidad de vigilancia y medidas de seguridad más robustas en la ciberseguridad de infraestructuras críticas.