[论文解读] Vulnerable GPU Memory Management: Towards Recovering Raw Data from GPU

Zhe Zhou, Wenrui Diao+4 more|arXiv (Cornell University)|May 21, 2016

Security and Verification in Computing参考文献 9被引用 4

一句话总结

本文揭示了现代系统中GPU内存管理在根本上存在安全隐患，使攻击者能够恢复应用终止后残留在GPU内存中的原始敏感数据——如完整图像、文本和矩阵。通过利用图像数据中的信号处理模式，作者开发了一种新颖方法，可自动检测并重建无元数据的图像，成功从Chrome、Adobe Reader和MATLAB等流行应用中恢复数据。

ABSTRACT

In this paper, we present that security threats coming with existing GPU memory management strategy are overlooked, which opens a back door for adversaries to freely break the memory isolation: they enable adversaries without any privilege in a computer to recover the raw memory data left by previous processes directly. More importantly, such attacks can work on not only normal multi-user operating systems, but also cloud computing platforms. To demonstrate the seriousness of such attacks, we recovered original data directly from GPU memory residues left by exited commodity applications, including Google Chrome, Adobe Reader, GIMP, Matlab. The results show that, because of the vulnerable memory management strategy, commodity applications in our experiments are all affected.

研究动机与目标

• 调查GPU内存管理中的安全漏洞，这些漏洞会破坏进程和虚拟机之间的内存隔离。
• 证明在应用终止后，仍可从GPU内存残留中恢复敏感数据，包括完整图像和文本。
• 开发一种能够自动检测并从无元数据的非结构化GPU内存中重建图像的方法。
• 评估该攻击在通用GPU加速应用及虚拟化云环境中的可行性。

提出的方法

• 利用图像像素中的独特字节值模式，在大块GPU内存区域（数GB）中检测类似图像的数据。
• 提出一种频域分析技术，通过检测行间信号相似性中的周期性模式来推断图像布局，周期长度对应图像宽度。
• 利用检测到的布局和像素模式，在未使用RGBA或ARGB等格式的情况下，无损重建图像。
• 通过保留对齐方式并利用文本检测实现部分识别，将该算法适配以处理非标准颜色格式。
• 通过反转转置效应，将该方法应用于MATLAB的列主序矩阵存储所生成的碎片化GPU内存布局。
• 通过在执行后转储GPU内存并分析残留数据中的可恢复信息，对多种应用验证了该方法。

实验结果

研究问题

• RQ1 应用终止后，是否能从GPU内存残留中恢复原始敏感数据，如图像和文本？
• RQ2 GPU内存中缺乏元数据在多大程度上阻碍了图像等结构化数据的恢复？
• RQ3 信号处理技术是否能在不了解格式或结构的前提下检测图像布局和内容？
• RQ4 该攻击在独立和虚拟化环境中广泛使用的多种GPU加速应用中的有效性如何？
• RQ5 该漏洞对云计算和多租户GPU平台有何影响？

主要发现

• 作者成功从Google Chrome的GPU内存残留中恢复出完整且可识别的图像，包括网页地址栏和标签页标题，直接暴露了浏览历史。
• 从Adobe Reader中处理的PDF文档中恢复出文本片段，包括用户账户名和邮件标题，表明个人敏感信息被暴露。
• 在MATLAB中，图像片段被重建并重新组装，该算法正确识别并反转了由列主序内存布局引起的对角线转置。
• 即使使用非标准颜色格式，该方法仍实现了无损图像恢复，通过文本识别和布局重建实现高度可辨识性。
• 该攻击在多种GPU加速应用中均有效，包括GIMP、MATLAB和Adobe Reader，证实了通用GPU工作负载中广泛存在的漏洞。
• 该漏洞延伸至云和虚拟化环境，攻击者可访问其他虚拟机的GPU内存，显著扩大了攻击面。