Resumen Técnico: GPUBreach

Declaración del Problema

Mientras que los ataques Rowhammer en la memoria DRAM de CPU (DDR) han sido estudiados extensamente y se ha demostrado que permiten la escalada de privilegios (por ejemplo, corrompiendo sudo o tablas de páginas para obtener acceso al kernel), los exploits Rowhammer en GPUs han estado históricamente limitados. Trabajos anteriores, como GPUHammer, demostraron que las memorias GDDR6 en GPUs NVIDIA son susceptibles a inversiones de bits, pero estas se utilizaron principalmente para inyectar errores no dirigidos en los pesos de modelos de aprendizaje automático, degradando la precisión.

El problema central abordado por este artículo es si los ataques Rowhammer en GPUs NVIDIA pueden elevarse de una simple corrupción de datos a una escalada de privilegios. Específicamente, los autores investigan si un kernel CUDA de nivel de usuario sin privilegios puede manipular las tablas de páginas de la GPU para obtener acceso de lectura/escritura arbitrario a la memoria de la GPU (escalada del lado del dispositivo) y posteriormente comprometer el kernel de la CPU anfitriona (escalada a nivel de sistema), incluso en presencia de protecciones como IOMMU.

Metodología

Los autores desarrollaron GPUBreach, un marco que combina inversiones de bits Rowhammer con técnicas novedosas para "masajear" las tablas de páginas de la GPU hacia ubicaciones vulnerables. El ataque se basa en tres desafíos principales y sus soluciones correspondientes:

1. Descubrimiento de la Asignación de Tablas de Páginas (Desafío C1)

Las GPUs NVIDIA almacenan las tablas de páginas enteramente en la memoria del dispositivo, pero su estrategia de asignación no está documentada.

• Técnica: Los autores parchearon el controlador de GPU NVIDIA de código abierto para volcar ubicaciones de memoria y analizaron la estrategia de asignación. Descubrieron que las tablas de páginas se asignan en regiones contiguas de 2 MB (regiones PT). Inicialmente, estas se colocan lejos de los datos del usuario, pero una vez que se llena la región inicial, las regiones subsiguientes se asignan desde el mismo pool físico que las páginas de usuario, permitiendo la asignación intercalada requerida para los ataques Rowhammer.

2. Relleno Eficiente de Tablas de Páginas (Desafío C2)

Llenar una región PT de 2 MB con Entradas de Tabla de Páginas (PTE) utilizando páginas de datos estándar de 2 MB requeriría ~256 GB de memoria, excediendo la capacidad de la GPU.

• Técnica: Los autores desarrollaron nuevos primitivos de asignación utilizando Memoria Virtual Unificada (UVM). Al explotar el comportamiento del controlador con tamaños de asignación específicos (por ejemplo, 2 MB + 4 KB), forzaron al controlador a asignar marcos de página más pequeños de 4 KB y 64 KB. Esto redujo la memoria requerida para llenar una región PT de 256 GB a tan solo 1 GB (para relleno disperso) o 16 GB (para relleno denso), haciendo que el ataque fuera factible en GPUs de consumo.

3. Detección y Dirección de Asignaciones (Desafío C3)

El atacante debe saber exactamente cuándo se asigna una nueva región PT para colocarla en una ubicación de memoria vulnerable (una fila susceptible a inversiones de bits).

• Técnica: Los autores identificaron un canal lateral de tiempo en las asignaciones UVM. Cuando la memoria de la GPU está cerca de su capacidad, las nuevas asignaciones desencadenan la expulsión de páginas hacia la memoria de la CPU, causando un aumento medible en la latencia de acceso. Al monitorear estos picos de latencia, el atacante puede detectar la creación de una nueva región PT. Mediante la gestión cuidadosa de la memoria (expulsando páginas específicas y liberando espacios objetivo), el atacante puede "masajear" al asignador para que coloque una nueva región PT precisamente en una dirección física vulnerable conocida.

Flujo de Trabajo del Ataque

1. Perfilado: Identificar filas de DRAM vulnerables susceptibles a inversiones de bits.
2. Masajeo: Llenar la memoria de la GPU y utilizar el canal lateral de tiempo para detectar asignaciones de regiones PT. Expulsar páginas específicas para forzar que la siguiente región PT se asigne en una fila vulnerable.
3. Manipulación: Utilizar Rowhammer para invertir bits en el campo del Número de Marco de Página (PFN) de una PTE dentro de la región vulnerable.
4. Escalada:
   • Paso 1: Invertir un bit para que el PFN corrupto apunte a una página controlada por el atacante.
   • Paso 2: Liberar esa página controlada por el atacante y masajear una segunda región PT hacia esa ubicación.
   • Resultado: El atacante ahora controla las PTEs de la segunda región PT, otorgando acceso de lectura/escritura arbitrario a toda la memoria física de la GPU.

Contribuciones Clave

1. Primera Escalada de Privilegios en GPU mediante Rowhammer: El artículo demuestra la primera escalada de privilegios basada en Rowhammer en GPUs NVIDIA, otorgando acceso de lectura/escritura arbitrario a la memoria de la GPU mediante la corrupción de tablas de páginas.
2. Nuevos Mecanismos de Tablas de Páginas en GPU: Los autores descubren comportamientos de asignación de tablas de páginas en GPU previamente desconocidos y desarrollan técnicas eficientes para llenar y posicionar tablas de páginas utilizando primitivas UVM.
3. Escalada a Nivel de Sistema: El artículo demuestra que comprometer la GPU puede conducir a una escalada de privilegios del lado de la CPU. Al corromper estructuras de datos confiables, escrituras por la GPU, en el controlador de GPU privilegiado (específicamente la cola de mensajes GSP), el atacante puede desencadenar escrituras fuera de límites (OOB) en el kernel de Linux, eludiendo las protecciones IOMMU para obtener una shell de root.
4. Exploits Prácticos: Los autores validan el ataque con tres escenarios del mundo real:
   • Fuga de Datos: Robo de claves criptográficas de la biblioteca cuPQC (criptografía post-cuántica) y pesos de LLM.
   • Manipulación de Código Sigilosa: Modificación de una sola rama en el código ensamblador de cuBLAS para degradar universalmente la precisión del modelo de aprendizaje automático (de ~80% a 0.1%) sin provocar un fallo del modelo ni impactar significativamente la latencia, haciéndolo más difícil de detectar que la manipulación de pesos.
   • Acceso Root: Escalada a privilegios de root en el sistema anfitrión.

Resultados

Los autores evaluaron GPUBreach en una NVIDIA RTX A6000 con 48 GB de memoria GDDR6 (ECC desactivado).

• Éxito de Inversión de Bits: En una campaña de perfilado de 6 bancos, identificaron 9 inversiones de bits adecuadas para la corrupción de PTE de un total de 34 inversiones.
• Velocidad del Ataque: La escalada de privilegios de extremo a extremo (Pasos 1–4) toma aproximadamente 17 segundos en promedio, incluido el tiempo para encontrar una corrupción de PFN válida.
• Fuga de Datos: En experimentos con cuPQC, el atacante recuperó con éxito claves privadas en el 4.4% de las ejecuciones de intercambio de claves (44 de 1000), demostrando una fuga confiable de secretos de corta duración.
• Degradación de ML: La manipulación de una sola rama en cuBLAS redujo la precisión de múltiples modelos (AlexNet, ResNet50, etc.) al 0.1% mientras mantenía la latencia de inferencia dentro de ±10% del original.
• Escalada a CPU: El ataque eludió con éxito las protecciones IOMMU explotando estructuras de datos no validadas en el controlador del kernel de NVIDIA, logrando acceso root a nivel de sistema.

Significado y Afirmaciones

El artículo afirma que GPUBreach cambia fundamentalmente el modelo de amenazas para la seguridad de las GPUs. A diferencia de los ataques Rowhammer anteriores en GPUs, que se limitaban a degradar la precisión del modelo, este trabajo demuestra que las GPUs son tan potentes como las CPUs en cuanto a la escalada de privilegios basada en Rowhammer.

Los autores enfatizan que:

• Los Límites de Confianza están Rotos: La suposición de que una GPU comprometida solo puede afectar su propia memoria es falsa; puede comprometer el kernel del sistema operativo anfitrión.
• IOMMU es Insuficiente: Las defensas estándar como IOMMU no previenen este ataque porque la vulnerabilidad radica en la falla del controlador para sanitizar las estructuras de datos escritas por la GPU (que el atacante controla mediante Rowhammer).
• Amplia Aplicabilidad: Aunque se demostró en la A6000, las técnicas de explotación (masajeo de tablas de páginas y vulnerabilidades del controlador) son aplicables a otras generaciones de GPUs NVIDIA (Ampere, Ada, Hopper, Blackwell) y versiones de controladores, siempre que la GPU sea vulnerable a Rowhammer y ECC esté desactivado.

Los autores divulgaron responsablemente los hallazgos a NVIDIA, Google, AWS y Microsoft. NVIDIA indicó que podrían actualizar su aviso de seguridad sobre Rowhammer, y Google otorgó una recompensa por errores. Los autores concluyen que las mitigaciones efectivas de Rowhammer para GPUs y una reevaluación de la confianza depositada en los datos del controlador escritas por la GPU son críticas.