GPUThor利用非均匀模式放大GPU内存攻击，突破ECC防护

近日，多伦多大学的研究团队在网络安全领域取得重要突破，其发表的论文《GPUThor: Amplifying Rowhammer Attacks via Non-Uniform Patterns to Exploit ECC-Protected GPUs》揭示了一种全新的GPU内存攻击方法。这项研究由Lin、Chris S Joyce Qu、Aditya Rajeev和Gururaj Saileshwar共同完成，为理解现代GPU架构的安全漏洞提供了新视角。

Rowhammer攻击是一种利用DRAM内存特性进行的硬件层面攻击，通过快速重复访问特定内存行，导致相邻行数据发生翻转。传统防御措施如ECC（错误校正码）通常能有效抵御此类攻击，但GPUThor通过创新性的攻击策略，成功绕过了这一保护机制。

GPUThor的核心创新在于其非均匀攻击模式。研究人员发现，通过精确控制内存访问模式，可以实现对攻击行的差异化处理：攻击行被更频繁地访问，而伪装行则较少访问。这种非均匀模式使得攻击行能够积累更高的翻转概率，从而更容易触发数据翻转。此外，研究团队还开发了一种智能攻击模式生成算法，该算法能够动态调整攻击频率，以适应不同GPU型号的内存刷新机制。

为了验证GPUThor的有效性，研究团队在多款NVIDIA GPU上进行了实验测试。结果显示，在相同攻击时间内，GPUThor相较于传统Rowhammer攻击，数据翻转率提升了30%以上。特别是在配备ECC保护的高端GPU上，GPUThor依然能够有效实施攻击，证明了其突破现有防御机制的能力。

这项研究不仅揭示了现代GPU架构中存在的安全漏洞，也为未来的硬件设计提供了重要的参考。研究人员建议，未来GPU设计应考虑引入更复杂的内存访问模式检测机制，并加强对非均匀访问模式的防御能力。同时，软件层面的防护措施也需要进一步加强，例如引入更智能的内存访问监控系统，以实时检测和阻止异常访问模式。