[論文レビュー] FortuneTeller: Predicting Microarchitectural Attacks via Unsupervised Deep Learning

Berk Gülmezoğlu, Daniel Moghimi+2 more|arXiv (Cornell University)|Jul 8, 2019

Security and Verification in Computing参考文献 62被引用数 34

ひとこと要約

FortuneTellerは、ラベル付きトレーニングデータを使用せず、健全なハードウェア性能カウンター上で訓練された教師なしRNN（LSTM/GRU）を用いて、未知のマイクロアーキテクチャ攻撃をリアルタイムで検出し、ラベル付きトレーニングデータなしで高いFスコアと広範な攻撃カバレッジを達成します。

ABSTRACT

The growing security threat of microarchitectural attacks underlines the importance of robust security sensors and detection mechanisms at the hardware level. While there are studies on runtime detection of cache attacks, a generic model to consider the broad range of existing and future attacks is missing. Unfortunately, previous approaches only consider either a single attack variant, e.g. Prime+Probe, or specific victim applications such as cryptographic implementations. Furthermore, the state-of-the art anomaly detection methods are based on coarse-grained statistical models, which are not successful to detect anomalies in a large-scale real world systems. Thanks to the memory capability of advanced Recurrent Neural Networks (RNNs) algorithms, both short and long term dependencies can be learned more accurately. Therefore, we propose FortuneTeller, which for the first time leverages the superiority of RNNs to learn complex execution patterns and detects unseen microarchitectural attacks in real world systems. FortuneTeller models benign workload pattern from a microarchitectural standpoint in an unsupervised fashion, and then, it predicts how upcoming benign executions are supposed to behave. Potential attacks and malicious behaviors will be detected automatically, when there is a discrepancy between the predicted execution pattern and the runtime observation. We implement FortuneTeller based on the available hardware performance counters on Intel processors and it is trained with 10 million samples obtained from benign applications. For the first time, the latest attacks such as Meltdown, Spectre, Rowhammer and Zombieload are detected with one trained model and without observing these attacks during the training. We show that FortuneTeller achieves F-score of 0.9970.

研究の動機と目的

• 教師なし深層学習を用いて健全なマイクロアーキテクチャ挙動をモデル化し、異常を検出する。
• 未知の攻撃を識別できる汎用的でアプリケーション非依存の検出器を開発する。
• リアルタイム検出のためのセキュリティセンサーとしてハードウェア性能カウンターを活用する。

提案手法

• 健全な実行時にコアHPCから時系列データを収集する。
• スライディングウィンドウを用いてLSTMとGRUモデルを訓練し、次のカウンタ値を予測する（自己教師あり学習）。
• 予測とリアルタイム測定を比較し、検出ウィンドウの閾値で異常を検出する。
• 検出性能を最大化するためにカウンターの最適なサブセットをプロファイリングして選択する。
• 健全なワークロードと既知および新規のマイクロアーキテクチャ攻撃のスイートで評価する。

実験結果

リサーチクエスチョン

• RQ1 教師なしRNNモデルは未知の攻撃を検出するために、健全なマイクロアーキテクチャのパターンを学習できるか？
• RQ2 カウンター選択とウィンドウサイズが検出性能と誤警報に与える影響はどの程度か？
• RQ3 現実のサーバーおよびノートPC環境での現代的な攻撃検出において、FortuneTellerはどの程度効果的か？
• RQ4 ライブシステムへのFortuneTeller導入のオーバーヘッドはどれくらいか？

主な発見

• FortuneTeller は強力な異常検知性能を達成し、報告された最高のFスコアは0.9970である。
• 学習には健全な挙動をモデル化するために1000万の健全サンプルを使用する。
• 三つのコアカウンター（L1_Inst_Miss, L1_Inst_Hit, LLC_Miss）によって多様な攻撃に対する高い検出能力が得られる。
• このアプローチはFlush+Flush、Spectre、Meltdown、Zombieloadなどのステルス性・一時的な攻撃を含む未知の変種も検出する。
• 教師なしでカウンター駆動型のモデルは対象アプリケーションに依存せず、現実のワークロードへ一般化可能である。