Riepilogo Tecnico: uGen: Un Framework Agente per la Generazione di PoC di Attacchi Microarchitettonici

Enunciato del Problema

Gli attacchi side-channel microarchitettonici (ad esempio Prime+Probe, Spectre) rappresentano una sfida fondamentale per la sicurezza informatica. Sebbene esistano implementazioni di riferimento delle Prove di Concetto (PoC), adattarle a nuove microarchitetture, funzioni vittima o ambienti di esecuzione è notoriamente difficile. Questo processo richiede competenze approfondite sui comportamenti hardware a basso livello, un ordinamento preciso delle istruzioni e una calibrazione temporale fine. Di conseguenza, la valutazione delle vulnerabilità rimane laboriosa, non scalabile e spesso limitata ai ricercatori esperti.

I recenti progressi nei Modelli Linguistici su Larga Scala (LLM) suggeriscono una potenziale via per l'automazione della generazione di codice. Tuttavia, il documento identifica un divario critico: gli LLM mancano del ragionamento microarchitettonico specifico necessario per sintetizzare codice di attacco funzionale. Gli autori ipotizzano che i modelli attuali generino frequentemente o posizionino in modo errato primitive di attacco critiche (come barriere di serializzazione o ritardi controllati), portando a codice sintatticamente corretto ma funzionalmente inerte. Inoltre, i corpora di addestramento esistenti contengono poche implementazioni di attacchi end-to-end, lasciando i modelli con un'esposizione insufficiente agli invarianti strutturali di tali exploit.

Metodologia: Il Framework uGen

Per affrontare queste limitazioni, gli autori introducono uGen, il primo framework guidato dalla Generazione Aumentata dal Recupero (RAG) e multi-agente, progettato per automatizzare la sintesi delle PoC di attacchi microarchitettonici. Il framework opera attraverso quattro fasi distinte:

1. Profilatore dei Gap di Conoscenza (S1): Questa fase identifica sistematicamente dove e perché gli LLM falliscono. Disabilitando la RAG e costringendo i modelli a fare affidamento sulla conoscenza interna, il framework scompone gli attacchi in "metriche di attacco" (blocchi costitutivi minimi e semanticamente significativi). Confronta il codice generato con implementazioni veritiere per identificare metriche mancanti, mal costruite o posizionate erroneamente.
2. Generatore di Documenti RAG (S2): Sulla base dei gap identificati in S1, il framework genera documenti RAG mirati. Questi documenti non sono descrizioni generiche degli attacchi, ma guide specifiche per le singole metriche, che ne dettagliano l'importanza, i passaggi di implementazione e i vincoli di posizionamento precisi all'interno del codice. Il processo di generazione è gerarchico, indicizzato sia per vettore di attacco che per famiglia di LLM, riconoscendo che modelli diversi richiedono tipi di guida differenti.
3. Validazione e Raffinamento RAG (S3): Questa fase convalida empiricamente i documenti RAG generati. Un "Agente Programmatore" tenta di applicare patch ai template PoC utilizzando le indicazioni recuperate. Se la patch fallisce, un "Agente di Feedback" avvia un ciclo di raffinamento, potenzialmente coinvolgendo un esperto di dominio per chiarire i vincoli o rimuovere dettagli fuorvianti. Questo ciclo continua finché il documento RAG non guida in modo affidabile la sintesi della metrica target.
4. Deploy (S4): Nella fase finale, un utente non esperto può specificare una funzione vittima e un vettore di attacco. L'Agente Programmatore sintetizza una PoC da zero, recuperando e integrando sequenzialmente i documenti RAG convalidati per ogni metrica richiesta. Il codice viene quindi convalidato da un "Agente Riflettore" utilizzando segnali derivati dall'hardware (ad esempio latenza della cache, contatori delle prestazioni) per garantire la correttezza funzionale.

Componenti Architetturali Chiave:

• Design Multi-Agente: uGen impiega agenti specializzati (Programmatore, Riflettore, Analizzatore dei Gap, Sintetizzatore, Feedback) per disaccoppiare la generazione del codice dalla convalida, mitigando il "bias di auto-valutazione" in cui un singolo agente razionalizza i propri fallimenti.
• Esecuzione Basata su Strumenti: Gli agenti sono accoppiati a strumenti specializzati a livello di sistema (ad esempio hw_info, hpc, cache_thres) che forniscono segnali di esecuzione verificabili dalla macchina. Questo impedisce agli agenti di allucinare fughe di informazioni di successo e impone un raffinamento iterativo basato sul feedback hardware effettivo.
• Hub di Conoscenza Persistente: I documenti RAG sono archiviati in un database vettoriale persistente con embedding pre-calcolati per garantire un recupero deterministico e riproducibile tra gli esperimenti.

Contributi Chiave

1. Prima Analisi degli LLM per Attacchi Microarchitettonici: Il documento presenta uno studio sistematico dei modelli all'avanguardia (GPT-4o, Claude Sonnet-4, Qwen3-Coder), identificando errori ricorrenti di ragionamento e posizionamento delle istruzioni che impediscono la sintesi riuscita delle PoC.
2. Il Framework uGen: Un framework innovativo, aumentato dal recupero e multi-agente, che profila esplicitamente i gap di conoscenza degli LLM e inietta guide specifiche per gli attacchi per abilitare una sintesi affidabile di complessi attacchi microarchitettonici.
3. Valutazione Guidata dalle Metriche: Gli autori propongono una metodologia che scompone gli attacchi in metriche granulari, fornendo il primo benchmark riproducibile per valutare le capacità degli LLM in questo dominio.

Risultati Sperimentali

Il framework è stato valutato su tre piattaforme hardware (Intel Tiger Lake, AMD Ryzen 9, ARM Neoverse-N1) e due classi di attacchi (Spectre-v1, Prime+Probe).

• Prestazioni di Base: Senza l'aumento RAG, gli LLM hanno raggiunto tassi di successo da 0% a 20% nella generazione di PoC funzionali, fallendo principalmente a causa di un ordinamento errato delle istruzioni e della mancanza di primitive microarchitettoniche.
• Impatto della RAG: Con uGen, i tassi di successo sono migliorati significativamente.
  • Spectre-v1: Claude Sonnet-4 ha raggiunto un tasso di successo del 90% (in aumento rispetto allo 0% in alcuni test specifici per metrica), e Qwen3-Coder ha raggiunto il 70%.
  • Prime+Probe: Qwen3-Coder ha raggiunto un tasso di successo dell'80%, mentre Claude e GPT-4o hanno raggiunto il 70%.
• Efficienza: uGen può generare una PoC di successo in meno di quattro minuti (ad esempio 351s per Spectre-v1 su Claude) con un costo basso come $1.25 (utilizzando Qwen3-Coder).
• Portabilità: Il framework ha dimostrato portabilità cross-architettura, adattando con successo gli attacchi alle piattaforme AArch64 (ARM) e x86 utilizzando strumenti di profilazione specifici per microarchitettura e documenti RAG.
• Generalizzazione: Il sistema si è adattato con successo a cinque varianti diverse di funzioni vittima vulnerabili senza necessità di re-ingegnerizzazione manuale della logica di attacco.

Significato e Affermazioni

Il documento afferma che uGen trasforma la valutazione delle vulnerabilità da un processo manuale e vincolato agli esperti in uno sistematico e scalabile. Combinando l'aumento tramite recupero, il ragionamento specializzato per ruolo e il feedback basato sull'hardware, uGen colma il divario tra le capacità degli LLM e i rigorosi requisiti dello sfruttamento microarchitettonico.

Gli autori posizionano uGen principalmente come uno strumento difensivo. Sostengono che, sebbene il framework abbassi la barriera per la generazione di codice di attacco, sia più vantaggioso per i difensori testare sistematicamente i propri sistemi per la suscettibilità piuttosto che per gli attaccanti affidarsi ad esso per costruire nuovi exploit. Il documento nota che gli attaccanti continuerebbero a incontrare ostacoli significativi nell'adozione di uGen per campagne maliziose nel mondo reale, poiché il framework è progettato per ambienti controllati e isolati e si basa su vettori di attacco noti piuttosto che sulla scoperta di nuove vulnerabilità. Il lavoro sottolinea la necessità di comprendere i limiti degli LLM in domini critici per la sicurezza e fornisce un framework per mitigare tali limiti attraverso un ragionamento strutturato e potenziato da strumenti.