Çin’deki Zhejiang Üniversitesi’nden üç araştırmacının kabul edilen çalışmasına göre, bulut kiracılarının yalnızca hesaplama işi çalıştırarak elektrik şebekesinde ölçülebilir dalgalanma yaratması mümkün olabilir. CHES 2026’da sunulacak Bit2Watt adlı araştırma, gerçek GPU’larda güç modülasyonunu ölçtü ve bu davranışın şebeke kararlılığına etkisini simülasyonla modelledi.
Çalışmanın vardığı nokta, klasik saldırı senaryosunun tersine dönmesi: Ele geçirilmiş sensörler, kontrol sistemlerine sızan zararlı yazılımlar ya da çalınmış operatör hesapları yok. Araştırmacılar, tamamen meşru görünen iş yüklerinin bilinçli biçimde güç tüketimini titreştirecek şekilde ayarlanabildiğini gösteriyor.
GPU yükü değiştikçe prizdeki güç de değişiyor
Bit2Watt’ın temel mantığı, GPU’ların ne çalıştırıyorsa ona göre güç çekmesi. Tensor çekirdekleri tam yükteyken akım yükseliyor, sistem boşa düştüğünde ise tüketim hızla azalıyor. Bu iki durum belli bir programa göre sırayla çalıştırıldığında, priz seviyesinde kontrol edilebilir bir güç salınımı oluşuyor.
Araştırmacılar, bu etkiyi iki farklı yöntemle ele aldı. İlk yöntem SWMA adını taşıyor. Bu yöntemde özel olarak yazılmış bir CUDA kernel’i, yüksek yoğunluklu hesaplama modu ile neredeyse boşta kalan mod arasında gidip geliyor. Sunucu tarafında çalışan denetleyici, geçiş zamanını belirliyor ve cudaMallocManaged ile ayrılmış tek bir birleşik bellek bayrağı üzerinden modu değiştiriyor. Yani kullanılan araçlar alışılmadık değil; standart CUDA bileşenleriyle ilerliyor.
Test edilen GPU’larda bu sentetik iş yükü yaklaşık 1,5 kHz ile 6 kHz arasında güç bileşenleri üretti. En yüksek değer RTX 4090 üzerinde görüldü. Bu frekanslar, klimanın açılıp kapanması gibi ev tipi yüklerde görülen birkaç hertz seviyesinin oldukça üzerinde. Üstelik etki yalnızca oyun kartlarında kalmadı; A100 ve Tesla V100 gibi veri merkezi GPU’larında da aynı davranış gözlendi. Araştırmacılar, bu özel kernel’in ve sıkı yoklama döngüsünün bir hizmet sağlayıcı tarafından tespit edilebilir bir iz bırakabileceğini not ediyor.
İkinci yöntem LTMA, operatörleri daha çok ilgilendiren kısım. Burada sentetik kernel yerine gerçek bir büyük dil modeli eğitim koşusu kullanılıyor. Araştırmacılar, eğitim yükünü bozmadan güç tüketimini artırıp azaltmak için hiperparametreleri ayarladı ve yardımcı işlemler ekledi. Böylece modülasyon, normal eğitim akışının içine gömüldü.
LTMA’da kontrol daha gevşek; sınır, eğitim döngüsünün ne kadar hızlı ilerlediğiyle belirleniyor. Bu nedenle frekanslar da daha düşük, yaklaşık 1,2 kHz ile 3 kHz aralığında kalıyor. Buna karşın genlik daha yüksek olabiliyor ve davranış, normal eğitim gürültüsünün içine karışıyor. Araştırmacılar, tam da bu nedenle LTMA’nın SWMA’dan daha zor fark edildiğini belirtiyor. İki yöntemin de ayrıcalıklı yetki gerektirmediği vurgulanıyor; çünkü bir kiracı, kendi eğitim betiklerini ve iş planlarını zaten yönetebiliyor.
Tek bir GPU üzerinde görülen bu değerler, etkiyi ancak çok sayıda cihaz birlikte çalıştığında büyütüyor. Çalışma, en riskli senaryo olarak 1 MW’lık yerel bir şebekeyi modelledi. Bu şebekenin yüzde 90’ının çatılardaki güneş panelleri ve bataryalar gibi dağıtık enerji kaynaklarıyla beslendiği, 1.000 GPU’nun da tam senkron çalıştığı varsayıldı.
Bu en kötü senaryo simülasyonunda toplam harmonik bozulma, yani THD, yüzde 46,8’e ulaştı. Araştırmacılar bu sonucu, IEC 61000-3-12’deki yüzde 13’lük kılavuz değerle karşılaştırıyor. Sönüm oranı da eksi 0,27’ye düştü; bu, sistemin bir bozulmayı bastırmak yerine büyüttüğü kararsız bir moda işaret ediyor.
Model, bir adım daha ileri taşınarak Avrupa iletim şebekesine benzetilen 9.241 baralı bir sisteme uygulandı. Burada sistem yükünün yüzde 2’sine denk gelen yerel bir bozulmanın 13 aşamada zincirleme yayıldığı ve toplam yükün yaklaşık yüzde 81’inin düştüğü hesaplandı. Araştırmacılar, bunun tek bir simülasyon modeli için geçerli en kötü durum varsayımlarına dayandığını ve gerçek dünyaya dair bir tahmin olarak okunmaması gerektiğini açıkça yazıyor.
Bu tablonun merkezinde senkronizasyon var. Makalenin de kabul ettiği gibi, gerçek bir bulut filosunda GPU güç geçişlerini birbirine kilitlemek hâlâ açık bir problem. Araştırmacıların 2 kHz’lik modelinde, 100 mikrosaniyelik standart sapmaya sahip zamanlama sapması toplam genliği yaklaşık yüzde 20 azalttı. Çalışma, bu değerin tipik bir bulutu temsil ettiğini de söylemiyor.
Gerçek bir saldırının çalışabilmesi için aynı anda birkaç koşulun bir araya gelmesi gerekiyor: fiziksel olarak kümelenmiş yeterli sayıda GPU, bunlar arasında sıkı senkronizasyon, veri merkezi güç koşullandırma katmanlarını aşabilen bir modülasyon ve seçilen frekansı büyütecek rezonanslara sahip bir şebeke.
Deneysel çalışmalar kontrollü test ortamlarında yapıldı. Şebeke ölçeğindeki zarar ise simülasyondan çıktı. Herhangi bir üretim sistemi hedef alınmadı, belirli bir ticari üründe açıklanmış bir güvenlik açığı da yok.
Bu haberin önemini artıran nokta, fiziksel davranışın zaten kayıt altına alınmış olması. Ağustos 2025’te Microsoft, OpenAI ve NVIDIA, yapay zekâ eğitiminin güç tüketimini dengelemeye dönük kendi çalışmalarını yayımladı ve büyük eğitim işlerinin senkron dalgalanmalarının, frekansı bir şebekenin kritik frekanslarıyla çakıştığında güç altyapısına fiziksel zarar verebileceği uyarısında bulundu. Bit2Watt, bu tesadüfi etkiyi bilerek kullanmanın nasıl olacağını inceliyor.
Veri merkezlerinin yanlış davranışıyla şebekenin sarsıldığı örnekler de yeni değil. Temmuz 2024’te, Kuzey Virginia’nın veri merkezi yoğun bir bölgesindeki iletim arızası sırasında yaklaşık 1.500 MW’lık veri merkezi yükü bir anda şebekeden düştü. Tesislerin kendi koruma sistemleri onları yedek güce geçirince yük kaybı yaşandı.
Kuzey Amerika şebeke güvenilirliğini denetleyen NERC, o sırada olayın bir güvenilirlik riski oluşturmadığını, ancak operatörlerin gerilimi düzeltmek zorunda kaldığını açıkladı. Kurum, bu tür yükler ölçeklendikçe riskin arttığını da ekledi ve 2024 sonunda büyük yükleri incelemek için Large Loads Task Force adlı bir teknik grup kurdu.
Burada bir saldırı yoktu; veri merkezleri kendilerini korudu. Ancak olay, bu büyüklükte bir yükün operatörlerin planlamasından daha hızlı şekilde aniden düşebileceğini gösterdi. Filolar büyüdükçe bu riskin de arttığı belirtiliyor.
Çalışmanın ikinci yüzü de compute tarafına dönüyor. Araştırmacılar buna Watt2Bit adını veriyor. Analize göre harmoniklerin yol açtığı ısınma ve yükselen akım, GPU sunucularında termal ya da aşırı akım korumasını tetikleyip sistemi kapatabiliyor. Böylece bir güç kalitesi sorunu, hizmet kesintisine dönüşebiliyor.
Daha da ilginci, aynı modülasyonun bir gizli kanal olarak da çalışması. Araştırma ekibi, 2 kHz’i 1, 200 Hz’i 0 olarak kodladı; yakın alan antenine bağlı yazılım tanımlı radyo ile elektromanyetik yayını yakaladı ve 50 bitlik bir test dizisini sıfır hata ile geri aldı.
Bu yapı, 2018’de aktarılan PowerHammer saldırısına yakın duruyor. Aradaki fark şu: PowerHammer, elektrik hattı boyunca iletilen veriyi okuyor ve prizden binanın elektrik panosuna kadar herhangi bir noktadan dinleyebiliyordu. Bit2Watt’ın kanalı ise donanımın hemen yanında, yakın alan EMI’yi yakalayan bir anten gerektiriyor. İki yöntem de internet üzerinden çalışmıyor; ikisi de güç hattına ya da makineye fiziksel yakınlık istiyor.
Standart telemetri bu davranışı zor yakalıyor. Rack PDU sayaçları saniyede bir örnek alıyor, NVIDIA’nın NVML telemetrisi 450 Hz civarında çalışıyor. RAPL ve sunucu BMC’leri gibi yaygın arayüzler bile yaklaşık 1 kHz’e kadar çıkabiliyor. Modülasyon ise bunların birkaç kat üzerinde gerçekleşiyor.
Araştırmacıların kurduğu hafif algılayıcı, güç ve NVML verisiyle kötü sonuç verdi. GPU profilleme özellikleri eklenince performans iyileşti, özel EMI algılaması ise en iyi sonucu verdi. LTMA’nın SWMA’dan daha zor fark edildiği de tutarlı biçimde görüldü. Bu bulgular, büyük bir bulut sağlayıcının aynı sonucu alacağını kanıtlamıyor; yalnızca araştırma düzeyindeki bir algılayıcının sınırlarını gösteriyor.
Asıl sorun görünürlük eksikliği değil. Burada yamayla kapatılabilecek tek bir ürün hatası yok. Açık, mimarinin kendisinde; yani değişken GPU yükü ile inverter ağırlıklı şebekenin sıkı biçimde bağlı olmasında yatıyor. Bu ilişkiyi uçtan uca izleyen yaygın bir denetim de yok.
Araştırmacılar, çözüm tarafında iki yönlü önlem öneriyor. Güç katmanı için batarya, süperkapasitör ve harmonik filtreleme; hesaplama tarafı için GPU kullanımında ve eğitim takvimlerinde anomali tespiti. Aynı çerçevede bir araya getirilecek tekil bir sistem ise çalışmanın gelecekteki başlığı olarak bırakılıyor.
Compute tarafını farklı şirketler yönetiyor, şebeke tarafını farklı ekipler izliyor. İkisini de aynı araçlarla takip etmiyorlar. Bit2Watt’ın yerleştiği boşluk tam olarak bu ayrım çizgisi ve şimdilik o çizginin sahibi yok.