Walma: Learning to See Memory Corruption in WebAssembly

1. El Problema

El artículo aborda las vulnerabilidades de seguridad inherentes al modelo de memoria lineal monolítico de WebAssembly (Wasm). A diferencia de las arquitecturas nativas, Wasm aloja la pila, el montón (heap) y los datos globales en un único array de bytes contiguo y redimensionable. Esto presenta dos amenazas principales que las defensas actuales no cubren adecuadamente:

• Corrupción de Memoria Interna: Debido a la falta de separación estricta en tiempo de ejecución, errores como desbordamientos de búfer pueden corromper estructuras de datos adyacentes, permitiendo ataques de solo datos (data-only attacks) que eluden las protecciones de integridad del flujo de control (CFI).
• Host Malicioso (Tampering Externo): En escenarios de nube y edge computing, un host privilegiado (administrador malicioso, hipervisor comprometido) puede manipular directamente la memoria lineal del módulo Wasm para subvertir la lógica interna (ej. saltar verificaciones de autorización) sin violar el flujo de control, ya que el sandbox de Wasm solo aísla el módulo del host, pero no protege la integridad del módulo contra el host.

Las defensas existentes dependen de instrumentación binaria invasiva, compiladores personalizados o hardware dedicado, y a menudo no verifican la integridad del estado de memoria en tiempo real bajo un modelo de host adversario.

2. Metodología: Walma

Walma (WebAssembly Linear Memory Attestation) es un marco de trabajo que propone un enfoque de verificación de estado centrado en la memoria utilizando aprendizaje automático. La premisa fundamental es que la corrupción de memoria y la manipulación externa dejan "artefactos estructurales" distintos en la memoria lineal que pueden ser detectados visualmente.

El sistema opera en dos fases:

A. Fase Offline: Entrenamiento del Modelo

1. Generación de Datos: Se utiliza instrumentación binaria (con Walrus) para inyectar ganchos (hooks) en puntos deterministas del código Wasm. Se emplea fuzzing guiado por cobertura para explorar el espacio de estados.
2. Etiquetado: Se utilizan sanitizadores (como AddressSanitizer) como oráculo de verdad absoluta. Las ejecuciones que violan el sanitizador se etiquetan como "corruptas", y las válidas como "benignas".
3. Transformación a Imagen: La memoria lineal de Wasm se trata como una imagen en escala de grises, donde los valores de los bytes corresponden a la intensidad de los píxeles. Esto es viable porque todo el estado mutable reside en un solo bloque contiguo.
4. Entrenamiento: Se entrenan Redes Neuronales Convolucionales (CNN) para clasificar estas "imágenes de memoria". Se utilizan dos arquitecturas:
   • VGG-16: Un modelo de alta capacidad (134M parámetros) como línea base.
   • ResNet Personalizado: Un modelo optimizado y ligero (1.9M parámetros) diseñado para su despliegue en entornos con restricciones (como TEEs).

B. Fase Online: Atestación en Tiempo de Ejecución

El sistema se desacopla en un Atestador (en el host no confiable) y un Verificador (en el entorno de confianza).

• Atestador: Captura instantáneas (snapshots) de la memoria lineal y aplica una compresión ligera (Codificación de Longitud de Ejecución - RLE) para eliminar secuencias de bytes cero, reduciendo el ancho de banda.
• Verificador: Reconstruye la imagen de memoria, ejecuta la inferencia del modelo CNN y emite un veredicto.
• Políticas de Instrumentación:
  1. Boundary Defense: Captura antes de llamadas al host (baja sobrecarga).
  2. Internal Logic: Captura en entradas de funciones.
  3. Fine-grained: Captura antes de cada escritura en memoria (alta seguridad, mayor costo).
• Arquitecturas de Verificación:
  • In-Runtime (cpu-wasm): El verificador corre dentro del propio runtime Wasm (usando WASI-NN/OpenVINO), ideal para entornos de nube no confiables (TEE).
  • Native Host (cpu-tch): El verificador corre en el sistema operativo anfitrión (ideal para navegadores).
  • GPU: Desplazamiento de inferencia a hardware acelerado (sujeto a cuellos de botella de transferencia PCIe).

Para reducir falsos positivos, Walma utiliza un módulo de agregación de veredictos con una ventana deslizante que analiza secuencias de clasificaciones antes de declarar un ataque.

3. Contribuciones Clave

1. Nuevo Paradigma de Seguridad: Es el primer enfoque que aplica la atestación de memoria lineal continua a WebAssembly, cambiando el foco de la integridad del código estático o del flujo de control a la integridad del estado de memoria dinámico.
2. Detección Basada en ML: Demuestra que las CNN pueden aprender patrones de memoria estructurada y detectar anomalías (corrupción o manipulación) sin necesidad de conocer la lógica interna específica del programa.
3. Desacoplamiento del Modelo de Amenaza: Walma es agnóstico al entorno de ejecución, funcionando tanto para proteger módulos en la nube contra hosts maliciosos (usando TEE) como para auditar módulos en el navegador contra inyecciones XSS.
4. Implementación Open Source: Se ha liberado un pipeline completo que incluye instrumentación, generación de datos y backends de inferencia.

4. Resultados de la Evaluación

El sistema se evaluó en seis aplicaciones reales afectadas por CVEs (incluyendo codificadores de audio como flac, decodificadores de imagen y manipuladores de PDF) y en benchmarks de rendimiento (PolyBenchC).

• Precisión de Detección:
  • Para cargas de trabajo con disposiciones de memoria estructuradas (ej. flac, pal2rgb), Walma alcanzó una precisión del 100% en el veredicto final.
  • Los modelos generalizados (entrenados con múltiples aplicaciones) mostraron una buena capacidad de transferencia, manteniendo altas tasas de detección (ej. 94.5% en flac) sin necesidad de reentrenamiento específico por aplicación.
  • Las cargas de trabajo no estructuradas (texto denso) fueron más difíciles de detectar (~50-65%), lo que indica una limitación en la visibilidad de patrones visuales en datos aleatorios.
• Rendimiento y Sobrecarga:
  • Política de Defensa de Límite (Import Function): Introdujo una sobrecarga mínima de 1.07x (7%), lo que la hace viable para producción.
  • Monitoreo Fino (Memory Instruction): La sobrecarga osciló entre 1.5x y 1.82x, considerada aceptable para contextos de alta seguridad.
  • Comparativa de Backends: La inferencia in-runtime (cpu-wasm) fue significativamente más rápida que el uso de GPU. Esto se debe a que el costo de transferir grandes volúmenes de memoria a través del bus PCIe supera la velocidad de procesamiento paralelo de la GPU para estos modelos ligeros. La localidad de los datos es el factor dominante.

5. Significado e Impacto

El trabajo de Walma es significativo porque:

• Cierra una Brecha Crítica: Proporciona una defensa contra ataques de "solo datos" y manipulación por parte de hosts privilegiados, amenazas que las técnicas tradicionales de CFI y aislamiento de sandbox no pueden mitigar.
• Viabilidad Práctica: Demuestra que la atestación continua de memoria basada en ML es factible en entornos de producción con sobrecargas de rendimiento predecibles y manejables.
• Cambio de Paradigma en Atestación: Sugiere que para sistemas modernos, la verificación del estado de memoria (y no solo el flujo de control) es esencial. Además, destaca que para modelos ligeros, mantener la verificación "in-situ" (dentro del runtime) es más eficiente que la ofload a aceleradores externos debido a los cuellos de botella de comunicación.

En resumen, Walma ofrece una solución práctica y escalable para garantizar la integridad de las aplicaciones WebAssembly en entornos no confiables, utilizando la visión por computadora y el aprendizaje profundo para "ver" la corrupción de memoria antes de que se explote.