في ظل تزايد الاعتماد على نماذج اللغة الكبيرة (Large Language Models) في التطبيقات الحديثة، أصبح من الضروري فهم المخاطر المتعلقة بأمان وكفاءة هذه الأنظمة. في دراسة جديدة تم نشرها على arXiv، تم تسليط الضوء على تأثير إعادة استخدام ذاكرة التخزين (KV-cache) في أداء هذه النماذج في بيئات متعددة المستخدمين.

توضح الأبحاث أن إعادة استخدام ذاكرة التخزين تعزز من كفاءة النموذج، ولكنها تخلق أيضًا قنوات جانبية زمنية قد تكشف ما إذا كانت البيانات مسبقة التخزين أم لا. قام الباحثون بإجراء سبعة تجارب على أنظمة حية تقدم نماذج اللغة، وأظهرت النتائج أن هناك انخفاضًا كبيرًا في موثوقية هذه الأنظمة تحت تحميل متعددة المستخدمين.

على سبيل المثال، في نظام vLLM الذي يعمل بتقنية DeepSeek-R1-Distill-Llama-8B، انخفض متوسط معامل كوهين (Cohen's d) من 0.7789 إلى 0.2109 مع إضافة عمالة اصطناعية، مما يدل على تدهور الموثوقية مع زيادة الضغط.

كما أظهرت تجارب إضافية في نظام vLLM الذي يستخدم وحدتي معالجة رسومات (GPU) حقيقية أن الانهيار الرئيسي في الموثوقية حدث بينما انخفض متوسط معامل كوهين من 3.418 إلى 0.511.

تشير هذه الاكتشافات إلى ضرورة إدراك المخاطر المرتبطة باعتماد هذه التقنيات في البيئات التي تتطلب مستوى عالٍ من الأمان والموثوقية. كيف يمكننا ضمان الأداء الفعال والآمن لنماذج اللغة في مثل هذه الظروف؟