論文の概要: OpenGL GPU-Based Rowhammer Attack (Work in Progress)

• arxiv url: http://arxiv.org/abs/2509.19959v1
• Date: Wed, 24 Sep 2025 10:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.771272
• Title: OpenGL GPU-Based Rowhammer Attack (Work in Progress)
• Title（参考訳）: OpenGL GPUベースのRowhammer攻撃(進行中)
• Authors: Antoine Plin, Frédéric Fauberteau, Nga Nguyen,
• Abstract要約: 本稿では,GPU計算シェーダを用いた適応型多面体ローハンマー攻撃を提案する。 提案手法では,行のターゲティングを最適化し,現在の緩和を回避するために統計分布を用いる。 Raspberry Pi 4の実験結果によると、GPUベースのアプローチは従来のCPUベースのハンマーに比べて高いビットフリップ率を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rowhammer attacks have emerged as a significant threat to modern DRAM-based memory systems, leveraging frequent memory accesses to induce bit flips in adjacent memory cells. This work-in-progress paper presents an adaptive, many-sided Rowhammer attack utilizing GPU compute shaders to systematically achieve high-frequency memory access patterns. Our approach employs statistical distributions to optimize row targeting and avoid current mitigations. The methodology involves initializing memory with known patterns, iteratively hammering victim rows, monitoring for induced errors, and dynamically adjusting parameters to maximize success rates. The proposed attack exploits the parallel processing capabilities of GPUs to accelerate hammering operations, thereby increasing the probability of successful bit flips within a constrained timeframe. By leveraging OpenGL compute shaders, our implementation achieves highly efficient row hammering with minimal software overhead. Experimental results on a Raspberry Pi 4 demonstrate that the GPU-based approach attains a high rate of bit flips compared to traditional CPU-based hammering, confirming its effectiveness in compromising DRAM integrity. Our findings align with existing research on microarchitectural attacks in heterogeneous systems that highlight the susceptibility of GPUs to security vulnerabilities. This study contributes to the understanding of GPU-assisted fault-injection attacks and underscores the need for improved mitigation strategies in future memory architectures.
• Abstract（参考訳）: Rowhammer攻撃は、隣接するメモリセルでビットフリップを誘導するために頻繁にメモリアクセスを活用する、現代のDRAMベースのメモリシステムにとって重大な脅威として現れている。 このワーク・イン・プログレス・ペーパーでは、GPU計算シェーダを用いた適応的で多面的なRowhammer攻撃により、高周波メモリアクセスパターンを体系的に達成する。 提案手法では,行のターゲティングを最適化し,現在の緩和を回避するために統計分布を用いる。 この手法は、メモリを既知のパターンで初期化し、繰り返し犠牲者行を打つこと、誘導エラーの監視、成功率を最大化するためにパラメータを動的に調整することを含む。 提案した攻撃は、GPUの並列処理機能を利用してハンマー操作を高速化し、制約された時間枠内で成功したビットフリップの確率を増大させる。 OpenGL計算シェーダを利用することで,ソフトウェアオーバーヘッドを最小限に抑え,効率のよい行マーキングを実現している。 Raspberry Pi 4の実験結果によると、GPUベースのアプローチは従来のCPUベースのハンマーよりも高いビットフリップ率を実現しており、DRAMの整合性を損なう効果が確認されている。 我々の研究は、GPUのセキュリティ脆弱性に対する感受性を強調する異種システムのマイクロアーキテクチャー攻撃に関する既存の研究と一致している。 本研究は,GPUによるフォールトインジェクション攻撃の理解に寄与し,将来のメモリアーキテクチャにおける改善戦略の必要性を浮き彫りにする。

関連論文リスト

• ShadowScope: GPU Monitoring and Validation via Composable Side Channel Signals [6.389108369952326]
  GPUカーネルは、従来のメモリ安全性問題と新たなマイクロアーキテクチャ脅威の両方に対して脆弱である。 構成可能なゴールデンモデルを活用した監視・検証フレームワークであるShadowScopeを提案する。 また、GPUパイプラインに軽量のオンチップチェックを統合するハードウェア支援のバリデーションメカニズムであるShadowScope+も導入しています。
  論文  参考訳（メタデータ） (2025-08-30T01:38:05Z)
• GPUHammer: Rowhammer Attacks on GPU Memories are Practical [3.3625059118072107]
  離散GPUに対する最初のRowhammer攻撃を実演する。 攻撃者がこれをMLモデルに改ざんして、相当な精度の低下(最大80%)を引き起こす方法を示している。 また、攻撃者がこれをMLモデルを改ざんするために使う方法を示し、精度の低下(最大80%)を引き起こす。
  論文  参考訳（メタデータ） (2025-07-10T20:57:47Z)
• Scaling Probabilistic Circuits via Monarch Matrices [109.65822339230853]
  確率回路(PC)は確率分布の抽出可能な表現である。 そこで本研究では,PCの和ブロックに対する新しいスパースパラメータと構造化パラメータ化を提案する。
  論文  参考訳（メタデータ） (2025-06-14T07:39:15Z)
• Robustness of deep learning classification to adversarial input on GPUs: asynchronous parallel accumulation is a source of vulnerability [4.054484966653432]
  機械学習(ML)分類モデルの安全性と信頼性の重要な尺度は、小さな、ターゲットとする入力摂動に抵抗する能力である。 浮動小数点非連想性がGPU上での非同期並列プログラミングと結合し,誤分類を生じさせることを示す。 また, 機械レベルの詳細を考慮しない場合, 標準対向ロバスト性は4.6まで過大評価されることが示唆された。
  論文  参考訳（メタデータ） (2025-03-21T14:19:45Z)
• Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss [59.835032408496545]
  本稿では, コントラスト損失計算を任意の小ブロックに分割するタイルベースの戦略を提案する。 分散システムの階層構造を活用するためのマルチレベルタイリング戦略も導入する。 SOTAメモリ効率のソリューションと比較すると、同等の速度を維持しながら、メモリの2桁の削減を実現している。
  論文  参考訳（メタデータ） (2024-10-22T17:59:30Z)
• Holographic Global Convolutional Networks for Long-Range Prediction Tasks in Malware Detection [50.7263393517558]
  ホログラフィック還元表現(HRR)の特性を利用したホログラフィックグローバル畳み込みネットワーク(HGConv)を導入する。 他のグローバルな畳み込み法とは異なり、我々の手法は複雑なカーネル計算や人工カーネル設計を必要としない。 提案手法は,Microsoft Malware Classification Challenge, Drebin, EMBERのマルウェアベンチマークで新たなSOTA結果を得た。
  論文  参考訳（メタデータ） (2024-03-23T15:49:13Z)
• Overload: Latency Attacks on Object Detection for Edge Devices [47.9744734181236]
  本稿では,ディープラーニングアプリケーションに対する遅延攻撃について検討する。 誤分類に対する一般的な敵攻撃とは異なり、遅延攻撃の目標は推論時間を増やすことである。 このような攻撃がどのように動作するかを示すために、オブジェクト検出を使用します。
  論文  参考訳（メタデータ） (2023-04-11T17:24:31Z)
• EVEREST: Efficient Masked Video Autoencoder by Removing Redundant Spatiotemporal Tokens [57.354304637367555]
  ビデオ表現学習のための驚くほど効率的なMVAアプローチであるEVERESTを提案する。 リッチなモーション特徴を含むトークンを発見し、事前トレーニングと微調整の両方の間、非形式的なトークンを破棄する。 提案手法は,MVAの計算とメモリ要求を大幅に低減する。
  論文  参考訳（メタデータ） (2022-11-19T09:57:01Z)
• GPU-Accelerated Primal Learning for Extremely Fast Large-Scale Classification [10.66048003460524]
  ロジスティック回帰や線形サポートベクターマシン(SVM)分類などのL2正規化原始問題を解く最も効率的な方法の1つは、広く使われている信頼領域ニュートンアルゴリズムであるTRONである。 我々は、GPU最適化の法則を用いて、異なる損失と特徴表現に対するTRONトレーニング時間を劇的に短縮できることを示した。
  論文  参考訳（メタデータ） (2020-08-08T03:40:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。