研究人員檢測圖形處理器的脆弱性，這可能威脅AI模型

多倫多大學的計算機科學家團隊最近發現，某種類型的硬件攻擊是有效的，以防止圖形處理單元（GPU），這是支持現代人工智能模型和機器學習雲服務的主要計算機。

研究人員發現，以前已知的Rowhammer攻擊影響了處理中心單位（CPU）的記憶，也有效地抵抗配備具有雙重數據速度（GDDR）的內存的圖形處理器。 GDDR專為高速數據傳輸而設計，通常在視頻卡上找到。

藝術和科學學院計算機科學副教授Gururaj Paleshvar說，對由AI模型控制的圖形處理器的成功攻擊可能會導致“災難性的腦損傷”，該模型的準確性從80％降至僅0.1％。

這種退化可能會對依賴這些模型的人工智能應用產生嚴重的後果 – 分析醫院對銀行欺詐系統的醫療可視化。

在Rowhammer的攻擊中，記憶單元被擊倒的蝙蝠（數據的兩個部分）操縱，並在一次又一次地訪問相鄰的細胞行的幫助下。這會導致電動干擾，導致攻擊者沒有直接轉動的記憶區域中的錯誤，可能允許他們繞過安全性或控制系統。

“傳統上，在軟件層面上考慮了安全性，但是我們越來越看到可以用作漏洞的設備的物理後果，”佩利斯瓦爾說，他被任命為愛德華·S·羅傑斯和應用科學和技術學院的電氣工程和計算機工程系的Payleshvar說。

與計算機科學的第二課程，哲學博士，學生剋里斯（Shaopeng）林和計算機科學學生學生喬伊斯·K·Qu的學生合作，Saileshwar開發了該概念的確認 圖形攻擊處理器 瞄準NVIDIA RTX A6000中的內存GDDR6，該圖形處理器廣泛用於高性能計算。他們發現，改變AI的重量的一位會導致模型的準確性大大降低。

合著者Payleshvar說：“這引入了AI模型可以在設備級別上失敗的新方法。” 紙 與林和CEES一起被接受 USENIX安全研討會2025它於8月13日至15日在西雅圖舉行。

圖形處理器的用戶最有風險，是控制雲計算媒體的人，而不是單個家庭或辦公用戶。在雲設置中，幾個用戶可以同時獲得相同的圖形處理器，從而使攻擊者可以乾預來自另一個用戶的數據處理。

Saileshwar指出，研究人員必須解釋CPU和圖形處理器內存之間的關鍵差異。從更高的內存更新，較慢的內存延遲和其他體系結構差異中，組更難針對。最終，研究人員使用圖形處理器的並行性（同時執行多個操作的能力）來優化其模式。這種調整導致了一系列政變，這表明了成功的攻擊。

這並不容易。 Payleshvar說：“圖形處理器的堵塞類似於堵塞盲人。”他指出，在反复失敗後，團隊幾乎放棄了任何戰鬥。

在處理器上，研究人員可以使用工具檢查內存界面並了解領先訪問的行為以及如何從CPU發送指令到內存。但是，由於記憶芯片直接在GPU板上焊接，因此沒有簡單的方法來進行類似的支票。團隊觀察到的唯一信號是可能重疊的。

今年早些時候，私人研究人員向NVIDIA圖形處理器的巨人透露了他們的結論 – Nvidia Graphic Processor是世界上最有價值的公司。 7月，一家美國公司 發布安全通知 給您的客戶。

提出的NVIDIA藥物是啟用稱為誤差校正代碼（ECC）的功能，該功能可以推動GPUHAMMER攻擊。然而，研究人員發現，這種藥物減慢了機器學習的任務高達10％。他們還警告說，ECC防禦甚至可能會淹沒與大量夫婦相關的未來攻擊。

結果強調需要增加對圖形處理器安全性的關注 – Saileshwar說這項工作“剛剛開始”的區域。

“更多的調查可能會揭示更多的問題。這很重要，因為我們在圖形處理器上使用非常有價值的工作量。AI模型在實際條件下，例如醫療保健，金融和網絡安全。