GPUHammer 对 NVIDIA GDDR6 的攻击：破坏 AI 模型
快速阅读: 据《Guru3D.com》最新报道，多伦多大学发现GPUHammer攻击，可翻转NVIDIA显卡GDDR6内存比特，影响AI模型性能。该攻击利用Rowhammer技术，建议启用ECC防护。
11月15日，多伦多，多伦多大学的研究人员发现了一种名为GPUHammer的新攻击方法，该方法能悄无声息地在NVIDIA显卡的GDDR6内存中翻转比特，严重损害人工智能模型的性能。在一次演示中，攻击导致模型准确率从80%骤降至接近零。GPUHammer利用了Rowhammer技术，这种技术通过频繁访问某一行内存，引起相邻行的电气干扰，从而改变内存中的数据。虽然最初这一技术主要影响CPU中的DDR4内存，但研究发现NVIDIA显卡上的GDDR6显存也存在同样的风险。
研究人员指出，在共享环境如云GPU实例中，攻击者可以通过敲击特定的内存地址实现比特翻转，而传统杀毒软件或完整性检查难以检测此类攻击。一旦模型参数中的比特被翻转，权重矩阵可能发生不可预测的变化，导致模型性能大幅下降。研究团队在多个内存银行中观察到了多位翻转现象，即使在启用基本保护措施的情况下也是如此。
为了应对这一威胁，NVIDIA建议启用ECC（错误校正码），这是一种能够实时检测并修复大多数单比特错误的技术。虽然启用ECC会带来约10%的机器学习性能损失和约6.5%的VRAM容量减少，但它能有效抵御这类攻击。现代NVIDIA显卡，如基于Ampere、Ada、Hopper和Turing架构的型号，已经内置了ECC功能。对于较旧的工作站和服务器显卡，用户需要通过驱动程序设置或控制面板手动开启ECC。
对于个人用户而言，GPUHammer的威胁相对较小，除非与他人共享同一块显卡。然而，对于多租户云、AI训练集群或虚拟桌面环境，这一威胁不容忽视。研究团队呼吁云服务商和开发者检查其GPU配置，确保ECC功能已启用，并监控模型性能的异常变化。此外，开发者可以在应用层添加检查机制，如对关键数据结构进行哈希处理，以检测意外损坏。从长远看，GPU厂商可能需要优化内存设计，引入更可靠的错误检测机制，以提高系统的安全性。
(以上内容均由Ai生成)
