NORTHERN VIRGINIA / LONDON (IT BOLTWISE) – Forschende beschreiben eine Angriffsidee namens „Bit2Watt“, die ohne Exploit und ohne Systemübernahme aus normalen GPU-Workloads heraus Stromschwankungen erzeugt. Entscheidend ist dabei die enge Kopplung zwischen der kurzfristig wechselnden Rechenlast eines GPUs und dem Verhalten von Inverter-lastigen Netzinfrastrukturen. In Simulationen und GPU-Messreihen reichen die Effekte bis zu instabilen Netzmodi, die Last über mehrere Stufen hinweg auslösen können. Gleichzeitig zeigt die Studie, dass sich derselbe Mechanismus als möglicher Kanal zum Auslesen von Informationen tarnen kann.
Im Rechenzentrum wird Strom nicht nur „verbraucht“, sondern in schnellen Lastwechseln auch aktiv geprägt. Genau dort setzt Bit2Watt an: Eine Cloud-Instanz soll allein durch planbares Umschalten der GPU-Auslastung die Leistungsaufnahme so modulieren können, dass das Netz, an dem der Cluster hängt, in Resonanz geraten oder instabile Schwingungen verstärken kann. Anders als klassische Grid-Attacken, die auf manipulierte Sensorik, Malware in Steuerungssystemen oder gestohlene Operator-Zugänge setzen, basiert die Idee auf einem legitimen Container-Job und einem gezielt „missbehavenden“ Trainings- oder Rechenmuster. Die Studie, eingereicht und akzeptiert zur CHES 2026, verknüpft damit zwei Welten, die in vielen Sicherheits- und Betriebskonzepten bisher getrennt gedacht werden: Compute-Überwachung auf der einen und Power-Qualitäts- und Netzstabilitätslogik auf der anderen.
Technisch funktioniert der Ansatz über eine sehr direkte Physik-Kette: Ein GPU-Design taktet seine Recheneinheiten und treibt dabei je nach Workload unterschiedlich stark Stromspitzen. Wenn Tensor-Cores und Rechenpfade hochlasten, steigt der Strom kurzfristig an; bei Leerlauf oder stark reduzierter Aktivität fällt er entsprechend ab. Dieses Verhalten lässt sich in einem Ablaufplan wiederholen, etwa indem man zwischen einem intensiven Compute-Modus und einem nahezu inaktiven Zustand im passenden Rhythmus toggelt. Die Forschenden führen dafür zwei Methoden aus. Bei SWMA (Synthetic Workload Modulation Attack) wird eine eigens präparierte CUDA-Operation als Kernel geladen, die per Polling in Intervallen zwischen Lastzuständen wechselt. Der Kontrollteil läuft auf Host-Seite und steuert den Modus über ein Unified-Memory-Flag (mit cudaMallocManaged), also über Standard-Mechanismen statt ungewöhnlicher Privilegien. In den Messungen erzeugt dieser synthetische Workload Leistungsmodulationen im Bereich von etwa 1,5 kHz bis 6 kHz; in der Spitze wird ein RTX 4090 hervorgehoben, und die Frequenzen liegen deutlich über den typischen, eher „langsamen“ Lastwechseln einzelner Haushaltsgeräte.
Noch relevanter für Betreiber wird das zweite Verfahren LTMA. Statt einer künstlichen Schleife versteckt sich die Modulation in einem realistischen LLM-Trainingslauf, indem Hyperparameter und zusätzliche Hilfsoperationen so gewählt werden, dass die Rechenlast periodisch an- und abschwillt, ohne das Training „offiziell“ zu unterbrechen. Das senkt zwar die Frequenzbandbreite im Vergleich zu SWMA auf ungefähr 1,2 bis 3 kHz, erhöht aber die Unauffälligkeit, weil sich die Muster in die normale Variation von Trainingssignalen einweben können. Ein weiterer Punkt ist die Angriffsoberfläche: Für beide Methoden reichen die Rechte eines Mieters im Rahmen seiner eigenen Job-Skripte und Zeitpläne. Das ist der Kernwechsel der Studie – kein „Break-in“, sondern eine missbrauchte Beziehung zwischen Workload-Intent und physikalischem Stromprofil. Auf Systemebene machen die Forschenden deutlich, was passieren kann, wenn nicht nur ein einzelnes GPU-Device taktet, sondern viele gleichzeitig: In der worst-case Modellierung wird ein 1 MW lokales Netz simuliert, zu 90% gespeist durch verteilte Energiequellen wie Dach-Solar und Batterien, mit 1.000 GPUs, die im gewünschten Takt exakt synchron modulieren.
Die berechneten Folgen werden dabei als Stabilitätsproblem beschrieben. In dieser Konstellation erreicht die Studie eine Gesamtverzerrung (THD) von 46,8% – deutlich über der in der Arbeit als Benchmark genannten 13%-Richtlinie aus IEC 61000-3-12. Zusätzlich fällt der Dämpfungsgrad auf einen negativen Wert von -0,27; negative Werte stehen in der Argumentation für einen instabilen Modus, bei dem eine Störung vom System verstärkt statt gedämpft zu werden. Noch einmal verschärft wird das Szenario, wenn die Modellierung auf ein 9.241-Bus-Netz ausgerichtet ist, das die europäische Übertragungslandschaft nachbilden soll: Eine lokalisierte Störung im Gegenwert von 2% der Systemlast soll dann über 13 Stufen hinweg Last abwerfen und am Ende etwa 81% der Last verlieren. Wichtig ist aber die Selbstkritik der Forschenden: Diese Werte stammen aus einem spezifischen Simulationsmodell, und die Voraussetzung „perfekte Lockstep-Synchronisation“ über eine reale Flotte ist ausdrücklich ein offenes Problem. Bereits in einer weiteren Modellrunde reduziert Timing-Jitter mit einer Standardabweichung von 100 Mikrosekunden die Gesamtamplitude um rund 20%; außerdem müssten zusätzliche Bedingungen zusammenpassen, darunter räumlich genügend physisch nahe GPUs, Synchronisationsstabilität, das Durchlaufen der Netzaufbereitung im Rechenzentrum und eine passende Resonanzlage im jeweiligen Netz.
Was Bit2Watt aus Sicht des Cloud-Betriebs besonders heikel macht, ist die fehlende klassische „Bug to patch“-Logik. Rack-PDU-Zähler erfassen typischerweise nur etwa einmal pro Sekunde; NVIDIA-NVML-Telemetrie wird mit etwa 450 Hz genannt, und sogar schnellere Standard-Schnittstellen wie RAPL oder Server-BMCs liegen laut Studie häufig in der Größenordnung von knapp unter 1 kHz. Die angestrebte Modulation läuft jedoch mehrere Takte pro Sekunde schneller. Entsprechend schneiden leichte Detektoren, die auf Power- und NVML-Daten basieren, in den Experimenten schlechter ab; erst mit zusätzlichem GPU-Profiling steigen die Erkennungsraten, und dedizierte EMI-Sensorik (Nahfeldmessung elektromagnetischer Abstrahlung) zeigt die zuverlässigsten Ergebnisse. Gleichzeitig wird die Kluft zwischen Zuständigkeiten betont: Der Compute-Bereich wird von anderen Komponenten und Monitoring-Layern überwacht als der Netz-/Power-Bereich. Diese Naht – wo Compute-Laststeuerung auf Power-Qualität und Netzphysik trifft – existiert in konventionellen Überwachungsdesigns oft als blinder Fleck, weil sie nicht als zusammenhängendes System analysiert wird.
Die Studie bleibt dabei nicht nur bei der Angriffsbeschreibung. Auf der Netzseite nennt sie als Gegenmaßnahmen unter anderem Batterien, Superkondensatoren und Filterung gegen Harmonische; auf der Compute-Seite werden Anomalieerkennung bei GPU-Auslastung und Trainings-/Schedule-Charakteristika vorgeschlagen. Damit greift Bit2Watt auch ein Argument auf, das bereits in einem anderen Kontext sichtbar wurde: Im August 2025 hatten Microsoft, OpenAI und NVIDIA in einer gemeinsamen Veröffentlichung zum Thema Stabilisierung der AI-Trainingsleistung darauf verwiesen, dass synchronisierte Lastschwankungen bei passenden Frequenzen physische Schäden an der Netz-Infrastruktur verursachen können. Ergänzend verweist die Arbeit auf reale Vorfälle, bei denen Data-Center-Lasten wegen Schutzmechanismen sprunghaft vom Netz entkoppelt wurden – im Juli 2024 etwa in einem Übertragungsumfeld in Northern Virginia, als rund 1.500 MW Datacenter-Last gleichzeitig aus dem Netz „abfielen“, wobei keine unmittelbare Zuverlässigkeitsgefährdung festgestellt wurde, aber Spannungsanpassungen nötig waren und NERC später explizit eine Large Loads Task Force aufsetzte. Unterm Strich ist Bit2Watt damit weniger ein einzelner Exploit als ein Hinweis auf ein systemisches Risiko: Solange Cloud-Workloads ihre physikalische Wirkung mit hoher Taktfrequenz in die Netzstabilität hineinragen können, verschiebt sich die Sicherheitsfrage vom Software-Fehler zu einer Architekturfrage – und in der Praxis zu der Frage, wer die Kopplung zwischen beiden Überwachungswelten wirklich gemeinsam prüft.
Als zusätzlichen Aspekt liefern die Forschenden in der Analyse auch die Möglichkeit einer Rückkopplung in Richtung „Watt2Bit“. Sie zeigen, dass die Modulation nicht nur Störungen erzeugen, sondern unter bestimmten Bedingungen als verdeckter Informationskanal dienen kann: Bits sollen über zwei Frequenzen (2 kHz für eine „1“, 200 Hz für eine „0“) codierbar sein; mit einer Nahfeldantenne, verbunden mit einem softwaredefinierten Radio, wird so ein 50-Bit-Testmuster mit null Fehlern rekonstruiert. Auch hier gilt: Weder Bit2Watt noch verwandte Luftspalt-/Power-Line-Ansätze funktionieren über das Internet; beide brauchen eine physische Nähe. Gerade deshalb wird die wichtigste Konsequenz für Entscheider und Betriebsteams klar: Sicherheits- und Betriebsprozesse müssen nicht nur „Cyber“ prüfen, sondern die Verbindung zwischen AI-Training, Hardware-Lastprofilen und Power-Quality als mess- und bewertbaren Bereich behandeln – inklusive der Frage, wie man Synchronisationseffekte in großskalierten Flotten erkennt, bevor sie sich in der Praxis zu einem Netzproblem bündeln.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Bit2Watt: Wie KI-Workloads aus einem Cloud-Tenant Stromschwankungen in Kraftnetze bringen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Bit2Watt: Wie KI-Workloads aus einem Cloud-Tenant Stromschwankungen in Kraftnetze bringen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Bit2Watt: Wie KI-Workloads aus einem Cloud-Tenant Stromschwankungen in Kraftnetze bringen« bei Google Deutschland suchen, bei Bing oder Google News!