Bit2Watt: A Cyber-Physical Vulnerability Exploiting GPU Workloads Across Power and Computing Infrastructures

Resumo Técnico: Bit2Watt – Uma Vulnerabilidade Ciber-Física Explorando Cargas de Trabalho de GPU Através de Infraestruturas de Energia e Computação

Definição do Problema
Os modernos centros de dados estão cada vez mais integrados com recursos de energia renovável (DERs), como a fotovoltaica (PV), criando um sistema ciber-físico estritamente acoplado. Enquanto pesquisas anteriores abordaram a segurança de forma isolada para redes elétricas ou sistemas de computação, existe uma lacuna crítica em relação a adversários que operam como locatários legítimos em ambientes de nuvem. O artigo postula que ações puramente computacionais, executadas via cargas de trabalho de GPU autorizadas, podem ser instrumentalizadas para desestabilizar a infraestrutura física de energia. Esta vulnerabilidade, denominada Bit2Watt, explora o acoplamento intrínseco entre as modulações de potência de alta frequência das GPUs e a dinâmica de controle de inversores baseados em DERs. Diferente de ataques tradicionais que comprometem sensores ou canais de comunicação, o Bit2Watt opera inteiramente na camada cibernética, podendo contornar o monitoramento rotineiro ao explorar caminhos de execução legítimos e concentrar comportamentos distintos em componentes de alta frequência, frequentemente ignorados pela telemetria padrão.

Metodologia
Os autores empregam uma abordagem multifacetada combinando modelagem teórica, simulação e experimentação no mundo real para validar o risco Bit2Watt e seu ciclo de feedback, Watt2Bit.

1. Vetores de Ataque (Camada Cibernética): O artigo propõe dois métodos para induzir flutuações de potência sem elevar privilégios:

   • Ataque de Modulação de Carga de Trabalho Sintética (SWMA): Um kernel CUDA customizado que alterna entre modos de computação de alta intensidade (saturando os SMs) e estados ociosos via uma flag de controle em nível de usuário, alcançando frequências de modulação de até 6.000 Hz.
   • Ataque de Modulação de Treinamento de LLM (LTMA): Incorporação da lógica de modulação em pipelines padrão de treinamento de Grandes Modelos de Linguagem (ex: PyTorch, DeepSpeed) através da manipulação de hiperparâmetros ou cronogramas de lote (batch schedules). Isso camufla assinaturas maliciosas como ruído computacional legítimo.

2. Modelagem e Análise Física:

   • Modelagem Baseada em Impedância: O sistema é modelado usando equivalentes de Thévenin e Norton, tratando o cluster de GPUs como uma Carga de Potência Constante (CPL) com resistência incremental negativa (NIR) e os DERs como fontes de corrente controladas com impedâncias de saída moldadas por frequência.
   • Análise de Estabilidade: Os autores analisam como as flutuações de corrente induzidas pelas GPUs interagem com os loops de controle dos DERs (PLL, controladores de tensão e de corrente). Eles demonstram que modulações de alta frequência podem exceder a largura de banda de resposta dos controles de DER, levando à amplificação harmônica e razões de amortecimento negativas.

3. Validação:

   • Experimentos de Hardware: Testes no mundo real foram conduzidos em estações de trabalho modificadas com GPUs NVIDIA (RTX 3090, V100, A100) conectadas a um banco de testes de rede local contendo inversores fotovoltaicos e sistemas UPS. As medições capturaram formas de onda de corrente/tensão e espectros harmônicos.
   • Simulações: Simulações extensivas foram realizadas usando Simulink em um sistema local de 1 MW e nas redes de transmissão IEEE 118-bus e 9241-bus para avaliar riscos de falha em cascata sob variadas penetrações de DER (até 90%).

Principais Contribuições

1. Formalização do Bit2Watt: O artigo define uma nova classe de ameaças ciber-físicas onde processos computacionais atuam como fontes de excitação controláveis que interagem com a dinâmica do sistema de potência, estabelecendo um vínculo entre a orquestração de carga de trabalho e a instabilidade ao nível da rede.
2. Técnicas de Ataque Inovadoras: O desenvolvimento de SWMA e LTMA, que alcançam modulações de potência de alta frequência (até 6 kHz) usando apenas acesso de nível de usuário, efetivamente contornando frameworks de monitoramento do lado da nuvem.
3. Análise de Vulnerabilidade Baseada em Impedância: Um framework analítico rigoroso que quantifica como as modulações de potência das GPUs interagem com redes dominadas por inversores, revelando que flutuações de alta frequência podem induzir amortecimento negativo e instabilidade do sistema.
4. Ciclo de Feedback Watt2Bit: A identificação de um ciclo de auto-reforço onde a degradação da qualidade da energia dispara mecanismos de proteção (sobretemperatura, sobrecorrente), levando à Negação de Serviço (DoS) e potencial exfiltração de informações via canais laterais de EMI.
5. Validação Empírica: Evidência quantitativa proveniente tanto de simulações quanto de experimentos reais demonstrando que manipular uma pequena fração de GPUs (ex: 1.000 unidades em um sistema de 1 MW) pode degradar drasticamente a qualidade da energia (THD de até 46,8%) e desencadear falhas em cascata em redes de grande escala.

Resultados

• Degradação da Qualidade da Energia: Em uma rede local simulada de 1 MW com 90% de penetração de DER, a manipulação de 1.000 GPUs elevou a Distorção Harmônica Total (THD) da corrente para 46,8% e reduziu a razão de amortecimento do sistema para -0,27, indicando um regime instável.
• Instabilidade do Sistema: A resistência incremental negativa dos clusters de GPU, combinada com a alta penetração de DER, reduz as margens de estabilidade. Simulações no sistema IEEE 118-bus mostraram que ataques podem causar bifurcação de frequência, dividindo a rede em clusters oscilatórios coerentes.
• Falhas em Cascata: Em uma simulação de rede de transmissão europeia modificada de 9241-bus, uma perturbação localizada (2% da carga total) desencadeou uma cascata de 13 estágios, resultando na desconexão de 1.238 linhas e perda de 81% da carga.
• Impactos do Watt2Bit:
  • DoS: O aumento da corrente RMS e o estresse térmico causados pelos harmônicos podem disparar relés de proteção (ex: IEC 60255 IDMT), causando desligamentos abruptos de servidores de GPU.
  • Exfiltração: Experimentos demonstraram que modular as cargas das GPUs poderia codificar dados binários em canais laterais de EMI (usando FSK a 2 kHz e 200 Hz), alcançando precisão de decodificação >99%.
• Sigilo: Ferramentas padrão de monitoramento de nuvem (NVML, RAPL, BMC) com baixas taxas de amostragem (1 Hz a 1 kHz) falham em detectar as assinaturas de alta frequência do Bit2Watt, tornando o ataque altamente furtivo.

Significância
O artigo argumenta que a convergência de infraestruturas de computação e energia exige uma mudança de paradigma na segurança. A vulnerabilidade Bit2Watt destaca que cargas de trabalho computacionais legítimas podem ser exploradas para desestabilizar redes elétricas, particularmente em cenários de alta penetração de DER, onde a inércia do sistema é baixa e os loops de controle são complexos. Os achados ressaltam a necessidade urgente de defesas de camada cruzada que considerem conjuntamente o agendamento de carga de trabalho, a dinâmica de eletrônica de potência e a estabilidade da rede. Os autores enfatizam que medidas de segurança isoladas, seja no domínio cibernético ou físico, são insuficientes para mitigar este risco de ciclo fechado, clamando por estratégias de monitoramento e proteção integradas para futuros centros de dados integrados a renováveis.