Fugu-MT 論文翻訳(概要): GPUThor: Amplifying Rowhammer Attacks via Non-Uniform Patterns to Exploit ECC-Protected GPUs

論文の概要: GPUThor: Amplifying Rowhammer Attacks via Non-Uniform Patterns to Exploit ECC-Protected GPUs

arxiv url: http://arxiv.org/abs/2609.16546v1
Date: Tue, 15 Sep 2026 02:46:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.312278
Title: GPUThor: Amplifying Rowhammer Attacks via Non-Uniform Patterns to Exploit ECC-Protected GPUs
Title（参考訳）: GPUThor: Rowhammer攻撃を非統一パターンで増幅し、ECCが生成したGPUを爆発させる
Abstract要約: GPUThorは、一様マーキングを利用したNVIDIA GPUに対する高強度のRowhammer攻撃である。我々は、一様ハンマーを用いたNVIDIA GPUに対する高強度Rowhammer攻撃であるGPUThorを提案する。
参考スコア（独自算出の注目度）: 2.823228784044236
License: http://creativecommons.org/licenses/by/4.0/
Abstract: GDDR memory in GPUs is vulnerable to Rowhammer attacks, where rapid memory accesses induce bit flips in adjacent cells, enabling data tampering and privilege escalation. However, prior GPU Rowhammer attacks trigger only tens to hundreds of bit flips, orders of magnitude fewer than CPU attacks, severely limiting their practical impact. This gap stems from the reliance of existing GPU Rowhammer attacks on uniform hammering patterns that activate aggressor and decoy rows equally, which results in low hammering intensity for aggressor rows. We present GPUThor, a high-intensity Rowhammer attack on NVIDIA GPUs leveraging non-uniform hammering. GPUThor reverse engineers GPU memory-access coalescing behavior to enable non-uniform hammering patterns on GPUs, that activate aggressor rows more intensely than decoy rows. Additionally, by identifying refresh instances when in-DRAM mitigations are applied, it constructs longer attack patterns that escape mitigation across refresh intervals, further increasing hammering intensity. Together, these techniques yield 500X to 23,500X more bit flips than prior GPU Rowhammer attacks, across several NVIDIA GPUs (A4000, A4500, A5000, A6000), reaching bit flip rates close to state-of-the-art CPU Rowhammer attacks. GPUThor also enables the first Rowhammer exploits on ECC-protected GPUs, inducing uncorrectable double and triple bit flips, making denial-of-service and privilege-escalation attacks practical even on GPUs with ECC enabled.
Abstract（参考訳）: GPUのGDDRメモリはRowhammer攻撃に対して脆弱であり、急速メモリアクセスは隣接セルでビットフリップを誘導し、データの改ざんと特権エスカレーションを可能にする。しかし、前回のGPU Rowhammer攻撃は、数十から数百ビットのフリップしか発生せず、CPU攻撃よりも桁違いに少ない命令であり、その実践的影響を著しく制限している。このギャップは、既存のGPU Rowhammerがアグレッシタとデコイ行を等しく活性化する均一なハンマーパターンを攻撃していることに起因している。我々は,一様ハンマーを用いたGPUGPUに対する高強度Rowhammer攻撃であるGPUThorを提案する。 GPUThorのリバースエンジニアはGPUメモリアクセスの合体動作を使用して、GPU上の非均一なハンマーパターンを可能にする。さらに、DRAMでの緩和が適用された場合のリフレッシュインスタンスを特定することで、リフレッシュ間隔をまたいで緩和を回避し、さらにハンマー強度を増大させる、より長いアタックパターンを構築することができる。これらのテクニックは、いくつかのNVIDIA GPU(A4000、A4500、A5000、A6000)にわたって、前回のGPURowhammer攻撃よりも500Xから23,500Xのビットフリップを発生させ、最先端のCPURowhammer攻撃に近いビットフリップレートに達する。 GPUThorはまた、ECCで保護されたGPU上での最初のRowhammerエクスプロイトを可能にし、修正不可能なダブルビットとトリプルビットのフリップを誘導し、ECCを有効にしたGPU上でも、サービス拒否と特権エスカレーション攻撃を実践する。

関連論文リスト

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)
Towards an Accurate GPU Data Race Detector [3.031706914582872]
GPUプログラムのデータ競合は、GPUが加速するソフトウェアスタックの信頼性に脅威をもたらす。以前の研究では、GPUプログラムのレースを検出するために、さまざまな動的(ランタイム)および静的(コンパイル時)技術が提案されていた。我々はHGRDという最先端の静的解析技術を開発し、CPUとGPUの両方のコードに対して総合的な解析を行う。
論文参考訳（メタデータ） (2026-04-02T14:35:49Z)
OpenGL GPU-Based Rowhammer Attack (Work in Progress) [0.0]
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。
論文参考訳（メタデータ） (2025-09-24T10:11:05Z)
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)
Distributed Equivariant Graph Neural Networks for Large-Scale Electronic Structure Prediction [76.62155593340763]
密度汎関数理論(DFT)データに基づいて訓練された等価グラフニューラルネットワーク(eGNN)は、前例のない規模で電子構造予測を行う可能性がある。しかし、このタスクに必要なグラフ表現は密結合である傾向がある。本稿では,直接GPU通信を利用する分散eGNNの実装と,入力グラフの分割戦略を提案する。
論文参考訳（メタデータ） (2025-07-04T23:53:47Z)
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)
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)
Crypto Miner Attack: GPU Remote Code Execution Attacks [0.0]
リモートコード実行(RCE)のエクスプロイトは、AIとMLシステムに重大な脅威をもたらす。本稿では,デシリアライズ脆弱性とLambdaレイヤなどのカスタムレイヤを活用するRCE攻撃に焦点を当てる。これらの脆弱性を利用して、暗号マイナをGPU上にデプロイする攻撃を実演する。
論文参考訳（メタデータ） (2025-02-09T19:26:47Z)
NeRF-XL: Scaling NeRFs with Multiple GPUs [72.75214892939411]
我々は、複数のGPUにまたがるニューラルラジアンス場(NeRF)を分散する原理的手法であるNeRF-XLを提案する。パラメータ数を大きくして再構成品質を向上し,GPUの高速化を実現した。我々は,25km2の都市部をカバーする258K画像を含む,これまでで最大規模のオープンソースデータセットMatrixCityを含む,さまざまなデータセットに対するNeRF-XLの有効性を実証した。
論文参考訳（メタデータ） (2024-04-24T21:43:15Z)
One-bit Flip is All You Need: When Bit-flip Attack Meets Model Training [54.622474306336635]
メモリフォールトインジェクション技術を利用したビットフリップ攻撃(BFA)と呼ばれる新たな重み修正攻撃が提案された。本稿では,高リスクモデルを構築するための訓練段階に敵が関与する,訓練支援ビットフリップ攻撃を提案する。
論文参考訳（メタデータ） (2023-08-12T09:34:43Z)
Adversarial Attack on Large Scale Graph [58.741365277995044]
近年の研究では、グラフニューラルネットワーク(GNN)は堅牢性の欠如により摂動に弱いことが示されている。現在、GNN攻撃に関するほとんどの研究は、主に攻撃を誘導し、優れたパフォーマンスを達成するために勾配情報を使用している。主な理由は、攻撃にグラフ全体を使わなければならないため、データスケールが大きくなるにつれて、時間と空間の複雑さが増大するからです。本稿では,グラフデータに対する敵攻撃の影響を測定するために,DAC(Degree Assortativity Change)という実用的な指標を提案する。
論文参考訳（メタデータ） (2020-09-08T02:17:55Z)

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。