[論文レビュー] Real time Detection of Spectre and Meltdown Attacks Using Machine Learning

Bilal Ali Ahmad|arXiv (Cornell University)|Jun 2, 2020

Security and Verification in Computing被引用数 15

ひとこと要約

本論文は、ハードウェアパフォーマンスカウンタ（HPC）およびソフトウェアパフォーマンスカウンタ（SPC）を用いて、予測実行、分岐予測、キャッシュ/ページフォールトの異常を監視することで、SpectreおよびMeltdown攻撃をリアルタイムで機械学習ベースで検出するシステムを提案する。99%を超える検出精度を達成し、パフォーマンスオーバーヘッドはわずか2.11%にとどまり、Intel x86アーキテクチャ上でHPC/SPCデータの機械学習を用いたMeltdown攻撃のリアルタイム検出法としては初めてのものである。

ABSTRACT

Recently discovered Spectre and meltdown attacks affects almost all processors by leaking confidential information to other processes through side-channel attacks. These vulnerabilities expose design flaws in the architecture of modern CPUs. To fix these design flaws, it is necessary to make changes in the hardware of modern processors which is a non-trivial task. Software mitigation techniques for these vulnerabilities cause significant performance degradation. In order to mitigate against Spectre and Meltdown attacks while retaining the performance benefits of modern processors, in this paper, we present a real-time detection mechanism for Spectre and Meltdown attacks by identifying the misuse of speculative execution and side-channel attacks. We use hardware performance counters and software events to monitor activity related to speculative execution, branch prediction, and cache interference. We use various machine learning models to analyze these events. These events produce a very distinctive pattern while the system is under attack; machine learning models are able to detect Meltdown and Spectre attacks under realistic load conditions with an accuracy of over 99%.

研究の動機と目的

• SpectreおよびMeltdownのソフトウェア的緩和手法に伴う顕著なパフォーマンス劣化の問題を是正すること。
• 完全な利用が発生する前に悪意ある行動をリアルタイムで同定する検出メカニズムを構築すること。
• 予測実行およびキャッシュ干渉に関連する異常を検出するために、ハードウェアパフォーマンスカウンタおよびソフトウェアイベントを活用すること。
• システムレベルの行動パターンに基づいてトレーニングされた堅牢な機械学習モデルにより、誤検出および見逃しを低減すること。
• パフォーマンスコストを常に負担しない、軽量で高精度な検出レイヤーを提供し、即時の緩和を可能にすること。

提案手法

• システム運用中にキャッシュミス、分岐誤予測、命令レベルの異常に関連するハードウェアパフォーマンスカウンタ（HPC）データを収集する。
• 特にMeltdown攻撃時に著しく上昇するページフォールトを含む、ソフトウェアパフォーマンスカウンタ（SPC）を監視する。
• 線形回帰（LR）、線形判別分析（LDA）、サポートベクターマシン（SVM）、畳み込みニューラルネットワーク（CNN）の4つの機械学習モデルを用いて、プロセスを健全または悪意あるものに分類する。
• 異なるシステム負荷下でSpectreバリアント1、Spectreバリアント2、Meltdown攻撃の制御実行から得たラベル付きデータを用いてモデルをトレーニングする。
• 検出の迅速性とシステムオーバーヘッドの両立を図るため、固定のサンプリング間隔100msを採用する。
• 誤検出のリスクを低減するため、予測された悪意あるプロセスを別個のハンドラアプリケーションにフォワードする。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、ハードウェアおよびソフトウェアパフォーマンスカウンタを用いて、SpectreおよびMeltdown攻撃をリアルタイムで検出可能か？
• RQ2 実際のシステム負荷下で、異なるMLモデル（LR、LDA、SVM、CNN）は、悪意あるプロセスと健全プロセスをどれほど効果的に区別できるか？
• RQ3 特定のパフォーマンスカウンタのパターン（例：キャッシュミス、ページフォールト、分岐誤予測）の中で、SpectreおよびMeltdownの利用を最も効果的に示すものは何か？
• RQ4 システム負荷の変動は、提案された検出メカニズムの検出精度およびオーバーヘッドにどのように影響するか？
• RQ5 ハードウェアパフォーマンスカウンタの非決定的性質にもかかわらず、検出システムは誤検出および見逃しを最小限に抑えることができるか？

主な発見

• 提案された検出システムは、全テスト負荷条件下でSpectreおよびMeltdown攻撃の検出精度が99%を超える。
• 通常負荷（NL）下でSVMが99.97%の最高検出精度を達成したのに対し、CNNは同じ条件下で99.43%の精度を記録した。
• 検出メカニズムのパフォーマンスオーバーヘッドは、最悪ケースでわずか2.11%にとどまり、実行時への影響が最小限であることが示された。
• 誤検出率は最大3.4%、誤検出率は最大1.9%であり、100msのサンプリング間隔のおかげで両方のエラーはまれで連続せず、発生しにくい。
• LDAおよびCNNは、さまざまなシステム負荷下で一貫した性能を示したが、LRおよびSVMは高負荷（AL）および混合負荷（FL）条件下でわずかな精度低下を示した。
• これは、Intel x86アーキテクチャ上でHPCおよびSPCデータの機械学習を用いたMeltdown攻撃のリアルタイム検出法として、初めてのものであり、実行時サイドチャnel攻撃検出分野における画期的な貢献である。