Nvidia遭爆GPU存在旁路攻擊漏洞， 駭客能取得CUDA應用程式內部參數

加州大學研究發現，在許多場景中，GPU運算資源允許被以精細的粒度在多個應用程式間分享，而間諜應用程式則能趁機監控旁路（Side Channel），並嘗試推測出受害者行為。研究人員表示，這是第一次GPU被發現存在一般旁攻擊漏洞，而Nvidia將會釋出補丁，讓管理員禁止用戶程序存取效能計數器。

GPU常與計算裝置整合，以強化效能以及處理工作負載的能力，而且資料中心和雲端也通常提供GPU運算服務，以解決資料密集的運算工作，但這些運算應用不少需要處理敏感資料，尤其是計算金融以及生物資訊領域，對安全性和隱私的要求更高，也更容易受到GPU堆疊的安全漏洞影響。

加州大學研究人員探討了GPU旁路攻擊的真實可行性，而這類攻擊代表著一種新穎的威脅載體。由於不同的計算模型以及高度的並行性，特殊的共址和資源共享屬性，GPU堆疊有可側量的可攻擊通道，使其GPU應用存在許多獨特可被間諜程式利用部分。

當多個應用程式以高精細粒度共享GPU時，允許間諜應用程式間透過旁路推測受害者的行為，像是OpenGL和WebGL以幀層級的粒度，將工作負載發送到GPU，而這將能讓攻擊者交錯使用GPU，並透過效能計數器或其他資源追蹤API，對受害者計算進行量測。

要架構出旁路攻擊的先決條件，就是攻擊者和受害者在資源空間中共址，以便攻擊者創建和量測爭奪。研究人員實作出了間諜程式，可以在Nvidia的GPU圖形與計算堆疊中，共同定位和量測受害者旁路行為。在OpenGL中，只要系統提供足夠的資源，應用程式就能夠同時調度著色器程式（Shader Programs），而在CUDA工作負載也有相同的情況。

加州大學研究人員展示了漏洞的這兩種應用，第一個基於OpenGL的間諜程式，利用圖形應用程式，研究人員實施了網站指紋（Web-Fingerprinting）攻擊，藉以獲取網站精確的特徵，追蹤使用者在網站的活動，甚至可以精準推測出密碼輸入框被點擊的時間。

第二個應用，研究人員則展示了CUDA間諜應用獲取另一個CUDA應用程式，其神經網路模型內部所使用的參數，這說明了對計算應用的攻擊，攻擊者可以透過GPU上的效能計數器收集旁路訊息，高精度重建神經網路的內部結構，而這也突顯出GPU在雲端架構的安全性威脅，

加州大學這個對GPU安全性的研究，展示了圖形和計算GPU工作負載之間實際的攻擊行為，研究人員提到，這是GPU一般旁路攻擊的第一份研究報告。透過GPU內的資源競爭開啟了GPU旁路攻擊的可行性，在對Nvidia GPU模型進行反向工程後，萃取出可用於GPU旁路攻擊的參數和測量API。

研究人員也提到，透過限制易受攻擊的API調度速路和精確度，將能緩解這類攻擊，在通報Nvidia後，官方將會釋出補丁，供系統管理員禁止使用者程序存取效能計數器。