論文の概要: SLAC: Access-Driven CPU-to-GPU Side-channel Attacks via System-Level Cache on Apple Silicon
- arxiv url: http://arxiv.org/abs/2608.09075v2
- Date: Fri, 14 Aug 2026 00:51:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 13:59:16.203431
- Title: SLAC: Access-Driven CPU-to-GPU Side-channel Attacks via System-Level Cache on Apple Silicon
- Title（参考訳）: SLAC: Apple Silicon上でのシステムレベルキャッシュによるアクセス駆動型CPU-GPUサイドチャネル攻撃
- Abstract要約: 異機種のSystem-on-Chip設計ではCPUコアと最終レベルキャッシュ(LLC)またはシステムレベルキャッシュ(SLC)を共有するGPUを統合している。
この共有は新たなクロスドメインアタックサーフェスを公開し、統合プラットフォームに対する既存の攻撃は、粗い粒度のキャッシュ占有競合を利用するか、または被害者とGPUを併用して正確なタイミング測定を行なわなければならない。
本研究では、Apple Siliconの異種SOCを対象とし、GPUメモリアクセスが設定レベルフットプリントを共有SLCに残し、未使用のCPUプロセスで観測可能であることを発見する。
この鋭い観察は、最初のきめ細かい粒度を可能にする
- 参考スコア（独自算出の注目度）: 8.388281067288181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern heterogeneous System-on-Chip designs integrate CPU cores and a GPU that share a last-level cache (LLC) or system-level cache (SLC). This sharing exposes a new cross-domain attack surface, and existing attacks on integrated platforms either exploit coarse-grained cache-occupancy contention or require the adversary to co-reside on the GPU with the victim to obtain accurate timing measurements. In this work, we target Apple Silicon heterogeneous SoCs and discover that GPU memory accesses leave set-level footprints in the shared SLC, observable to an unprivileged CPU process. This keen observation enables the first fine-grained, access-driven, Prime+Probe-style CPU-to-GPU cache side-channel attacks against GPU workloads. We first reverse-engineer the Apple M1 SLC set-indexing functions and the interactions between local private caches and the SLC. Building on these findings, we construct the CPrime+CProbe SLC side-channel technique, which monitors GPU victim activity from the CPU at cache-set granularity. We then introduce an accelerated variant, GPrime+CProbe, in which an adversary leverages the GPU for faster SLC priming, yielding a 6.4x increase in the covert-channel throughput. Lastly, we demonstrate two end-to-end privacy attacks using the new side-channels: a graph-edge reconstruction attack on Graph Neural Networks (GNNs) that achieves 90% edge accuracy across five datasets, and an LLM privacy attack that recovers input keywords with up to 94.8% accuracy and model responses with up to 88.9% accuracy across TinyLlama and GPT-2 Medium models. Our results reveal a new class of microarchitectural vulnerabilities in Apple Silicon and call for secure system cache designs for heterogeneous SoCs.
- Abstract（参考訳）: 現代ヘテロジニアスなSystem-on-Chip設計では、CPUコアと最終レベルキャッシュ(LLC)またはシステムレベルキャッシュ(SLC)を共有するGPUを統合している。
この共有は、新たなクロスドメインアタックサーフェスを公開し、統合プラットフォームに対する既存の攻撃は、粗い粒度のキャッシュ占有競合を悪用するか、または被害者とGPUを併用して正確なタイミング測定を行なわなければならない。
本研究では、Apple Siliconの異種SoCをターゲットとし、GPUメモリアクセスが設定レベルフットプリントを共有SLCに残し、未使用のCPUプロセスで観測可能であることを発見する。
この鋭い観察により、GPUワークロードに対するPrime+ProbeスタイルのCPU-to-GPUキャッシュサイドチャネルアタックが、初めてきめ細かなアクセス駆動で実現される。
我々はまず,Apple M1 SLCセットインデクシング機能とローカルプライベートキャッシュとSLCとのインタラクションをリバースエンジニアリングする。
これらの結果に基づき、キャッシュセットの粒度でCPUからのGPU犠牲者の活動をモニタするCPrime+CProbe SLCサイドチャネル技術を構築した。
次に、高速化されたGPrime+CProbeを導入し、敵がGPUを利用して高速なSLCプライミングを行い、シークレットチャネルスループットが6.4倍向上する。
最後に、新しいサイドチャネルを使用したエンドツーエンドの2つのプライバシ攻撃を示す。グラフニューラルネットワーク(GNN)に対するグラフエッジ再構築攻撃は、5つのデータセットで90%のエッジ精度を実現し、最大94.8%の精度で入力キーワードを復元するLLMプライバシ攻撃と、TinyLlamaとGPT-2Mediumモデルで最大88.9%の精度でモデル応答をモデル化する。
この結果から,Apple Siliconに新たなマイクロアーキテクチャ脆弱性が出現し,異種SoCに対するセキュアなシステムキャッシュ設計が求められた。
関連論文リスト
- Understanding and Evaluating Claw-like Agent Security Through a Computer-Systems Lens [65.53494487819053]
クローのようなAIエージェント(OpenClawなど)は、認証情報、ファイル、ツール、外部サービスへの永続的なアクセスを伴う、常にオンのプロセスである。
我々はClawのようなエージェントをエージェントコンピュータシステムとして扱い、そのゲートウェイランタイムがOSのような仲介の役割を担っている。
我々は、4つの攻撃面にわたる406の敵タスクのベンチマークであるSafeClawArenaを開発した。
論文 参考訳（メタデータ） (2026-06-29T18:00:45Z) - Profiling-Driven Adaptive Distributed Transformer Inference on Embedded Edge Deployment [60.442064966340524]
本稿では、WiFi経由で接続されたNVIDIA Jetson Orin Nanoデバイスに関するプロトタイプ研究を行う。
主な発見は、主なボトルネックは、ネットワーク帯域幅だけでなく、通信中のCPU-GPUステージングである。
実験によると、この戦略はフルテンソル交換と比較して遅延を65%-77%減らし、エネルギー消費を34%-52%減らしている。
論文 参考訳（メタデータ） (2026-05-25T10:39:28Z) - GPUBreach: Privilege Escalation Attacks on GPUs using Rowhammer [4.757465470743026]
Rowhammerのエクスプロイトは、被害者データに未ターゲットのビットフリップを注入することに限定されている。
我々は、GPU RowhammerエクスプロイトがCPU Rowhammer攻撃と同じくらい強力なことを実証した。
論文 参考訳（メタデータ） (2026-05-05T14:40:06Z) - GRAB-ANNS: High-Throughput Indexing and Hybrid Search via GPU-Native Bucketing [39.763467046232584]
動的ハイブリッド検索のためのGPUネイティブグラフインデックスであるGRAB-ANNSを提案する。
GRAB-ANNSは最新のCPUベースシステムよりも最大240.1倍高いクエリスループットと12.6倍高速なインデックス構築を実現する。
論文 参考訳（メタデータ） (2026-03-31T11:00:10Z) - Theodosian: A Deep Dive into Memory-Hierarchy-Centric FHE Acceleration [3.8153115302044296]
完全同型暗号化(FHE)は、暗号化されたデータに対するセキュアな計算を可能にし、クラウドおよびエッジ環境におけるプライバシー上の懸念を軽減する。
本稿では,最新のGPU上で一般的なFHE方式であるCKKSのマイクロアーキテクチャ解析を行う。
高帯域幅のL2キャッシュであっても、支配的なカーネルはメモリ帯域幅で束縛され、永続的なメモリ壁が露出することを示す。
これらの知見に触発されて,キャッシュ効率の向上とオーバーヘッド削減を目的とした,相補的でメモリ対応の最適化セットであるTheodosianを紹介した。
論文 参考訳（メタデータ） (2025-12-20T12:18:29Z) - LLMQ: Efficient Lower-Precision Pretraining for Consumer GPUs [45.51664355320938]
本稿では,コモディティGPU上での3Bから32Bパラメータなど,中規模の言語モデルトレーニングのためのエンドツーエンド/C++実装を提案する。
これは、標準的な8ビットトレーニングパイプラインを実行し、追加のアルゴリズム近似なしで実行し、FLOP使用率を約50%維持する。
論文 参考訳（メタデータ） (2025-12-17T10:51:45Z) - CLO: Efficient LLM Inference System with CPU-Light KVCache Offloading via Algorithm-System Co-Design [27.03446161229998]
アルゴリズム・システム共同設計によるCPUライトKVCacheオフロードシステムであるCLOを提案する。
CLOは最先端システムと同等の精度を実現し、CPUオーバーヘッドを大幅に最小化する。
論文 参考訳（メタデータ） (2025-11-18T14:03:21Z) - Less is Enough: Training-Free Video Diffusion Acceleration via Runtime-Adaptive Caching [57.7533917467934]
EasyCacheは、ビデオ拡散モデルのためのトレーニング不要のアクセラレーションフレームワークである。
我々は,OpenSora,Wan2.1,HunyuanVideoなどの大規模ビデオ生成モデルについて包括的な研究を行っている。
提案手法は,従来のベースラインと比較して推定時間を最大2.1-3.3$times$に短縮する。
論文 参考訳（メタデータ） (2025-07-03T17:59:54Z) - Minute-Long Videos with Dual Parallelisms [57.22737565366549]
Diffusion Transformer (DiT)ベースのビデオ拡散モデルは、大規模に高品質なビデオを生成するが、長いビデオの処理遅延とメモリコストは禁じられている。
我々はDualParalと呼ばれる新しい分散推論戦略を提案する。
1つのGPUでビデオ全体を生成する代わりに、時間フレームとモデルレイヤの両方をGPU間で並列化します。
論文 参考訳（メタデータ） (2025-05-27T11:55:22Z) - EXAM: Exploiting Exclusive System-Level Cache in Apple M-Series SoCs for Enhanced Cache Occupancy Attacks [2.198430261120653]
キャッシュ占有攻撃は、キャッシュ階層の共有特性を利用して、全体のキャッシュ使用状況を監視することで、被害者のアクティビティを推測する。
敵が自身のCPUクラスタからGPUや他のCPUクラスタのアクティビティを監視することができる。
論文 参考訳（メタデータ） (2025-04-18T00:21:00Z) - NVBleed: Covert and Side-Channel Attacks on NVIDIA Multi-GPU Interconnect [4.573191891034322]
このようなシステムの相互接続が新たなリーク源となり,新たな種類の隠蔽攻撃やサイドチャネル攻撃を可能にするかどうかを考察する。
我々はBlender内でアプリケーションフィンガープリントと3Dグラフィックキャラクタ識別を含む2つのエンドツーエンドのクロスGPUサイドチャネル攻撃を開発した。
また、Google Cloud Platform上の仮想マシン間で、突然リークが発生することもわかりました。
論文 参考訳（メタデータ） (2025-03-22T19:52:02Z) - HeadInfer: Memory-Efficient LLM Inference by Head-wise Offloading [79.38548165722229]
HEADINFERはKVキャッシュをCPURAMにオフロードするが、GPU上のトランスフォーマー層のKVキャッシュを完全に保存する必要はない。
HEADINFERはメモリフットプリントを大幅に削減し,計算効率を向上することを示した。
論文 参考訳（メタデータ） (2025-02-18T06:26:05Z) - Communication-Efficient Graph Neural Networks with Probabilistic
Neighborhood Expansion Analysis and Caching [59.8522166385372]
大規模グラフ上でのグラフニューラルネットワーク(GNN)のトレーニングと推論は、GNNの登場以来活発に研究されている。
本稿では,分散環境におけるノードワイドサンプリングを用いたGNNによるミニバッチ学習と推論について述べる。
分割された特徴データを扱うために,従来のSALIENTシステムを拡張したSALIENT++を提案する。
論文 参考訳（メタデータ） (2023-05-04T21:04:01Z)
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。