[论文解读] 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 15

一句话总结

本文提出了一种基于机器学习的实时检测系统，利用硬件性能计数器（HPCs）和软件性能计数器（SPCs）检测Spectre和Meltdown攻击，以监控推测执行、分支预测和缓存/页面错误异常。该系统在仅2.11%性能开销下实现了超过99%的检测准确率，是首个在Intel x86架构上使用HPC/SPC数据进行机器学习的实时Meltdown攻击检测方法。

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%.

研究动机与目标

• 解决Spectre和Meltdown攻击软件缓解技术的局限性，这些技术会导致显著的性能下降。
• 开发一种实时检测机制，在完整利用前识别恶意行为。
• 利用硬件性能计数器和软件事件检测与推测执行及缓存干扰相关的异常。
• 通过在系统级行为模式上训练的稳健机器学习模型，减少误报和漏报。
• 提供一种轻量级、高准确率的检测层，实现在不持续付出性能代价的前提下及时缓解。

提出的方法

• 在系统运行期间收集与缓存未命中、分支预测错误和指令级异常相关的硬件性能计数器（HPC）数据。
• 监控软件性能计数器（SPCs），特别是页面错误，这些错误在Meltdown攻击期间显著升高。
• 使用四种机器学习模型——线性回归（LR）、线性判别分析（LDA）、支持向量机（SVM）和卷积神经网络（CNN）——将进程分类为良性或恶意。
• 在不同系统负载下，对Spectre变体1、Spectre变体2和Meltdown攻击的受控执行生成的标记数据上训练模型。
• 采用固定的100ms采样间隔，在检测响应速度和系统开销之间取得平衡。
• 将预测为恶意的进程转发给独立的处理应用程序，以避免过早终止，降低误报带来的风险。

实验结果

研究问题

• RQ1 机器学习模型能否利用硬件和软件性能计数器实现实时检测Spectre和Meltdown攻击？
• RQ2 在真实系统负载下，不同机器学习模型（LR、LDA、SVM、CNN）在区分恶意与良性进程方面的有效性如何？
• RQ3 哪些特定的性能计数器模式（例如缓存未命中、页面错误、分支预测错误）最能指示Spectre和Meltdown的利用？
• RQ4 系统负载的可变性如何影响所提检测机制的检测准确率和开销？
• RQ5 尽管硬件性能计数器具有非确定性特征，该检测系统能否将误报和漏报最小化？

主要发现

• 所提出的检测系统在所有测试负载条件下对Spectre和Meltdown攻击的检测准确率均超过99%。
• 在正常负载（NL）下，SVM达到最高的检测准确率99.97%；在同一条件下，CNN的准确率为99.43%。
• 该检测机制的性能开销在最坏情况下仅为2.11%，表明其对运行时性能影响极小。
• 误报率最高为3.4%，漏报率最高为1.9%，且由于采用100ms采样间隔，两类错误均稀少且不连续。
• LDA和CNN在不同系统负载下表现出一致的性能，而LR和SVM在高负载（AL）和混合负载（FL）条件下表现出轻微的准确率下降。
• 这是首个在Intel x86架构上使用HPC和SPC数据进行机器学习的实时Meltdown攻击检测机制，标志着运行时侧信道攻击检测领域的一项新贡献。