异构系统内存架构的安全与数据一致性问题研究

• 作 者: 狄棒
• 出 处: 湖南大学
• 发表日期: 2020年01期

异构系统（Heterogeneous System）得益于其高性能,如今变得越来越流行。然而,异构系统的内存架构面临安全与故障一致性问题的威胁。具体来说,在基于图形处理单元（GPU）的异构系统中,恶意的GPU应用程序可以利用内存溢出,污染GPU应用程序的数据,篡改其执行流,执行恶意代码。同时,GPU上存在TLB争用问题,在多用户共享GPU的情况下,恶意用户可以有目的地构建存在TLB争用的恶意GPU应用程序,通过不断的置换页表项（Page Table Entry,PTE）,来降低与其并发执行的良性GPU应用程序的性能,从而实现拒绝服务攻击（Denial of Service,Do S）。在基于持久内存（Persistent Memory,PM）的异构系统中,计算机系统发生故障（如断电）时,缓存中的数据没有被写回到持久内存,从而造成数据丢失,这类问题被称作故障一致性问题（Crash Consistency）。故障一致性问题严重危害持久内存应用的可靠性。对于用户级程序,故障一致性问题可能会导致重要数据丢失从而影响程序的执行逻辑。对于系统级应用,用户权限相关的数据丢失,能导致系统的权限管理问题,严重情况下造成信息泄漏。论文工作主要由以下几点构成。第一,为了解决GPU的内存溢出问题,论文深入分析了CUDA平台上的内存溢出问题,结果发现,攻击者在kernel内、串行kernel之间、通过不同流并发的kernel之间、通过不同CPU线程并发的kernel之间、通过不同进程并发的kernel之间,都可以利用内存溢出来篡改正常的数据和函数指针。第二,为了检测细粒度内存的溢出问题,论文提出了运行时的检测器GMOD,GMOD检测器基于canary技术实现,具有在运行时持续地检测内存溢出的能力。为了实现高性能,GMOD利用字节数组结构来高效地存储检测内存溢出必须的信息。同时提出了一组相关的性能优化技术,如对字节数组的无锁访问设计,延迟内存释放机制,以及高性能的垃圾回收策略。实验表明,GMOD能在运行时检测内存溢出,并且仅引入平均2.9%、最大9.1%的性能开销。第三,为了检测粗粒度内存的溢出问题,论文设计了GMODx,利用统一内存（Unified Memory）技术将检测任务委托给CPU执行,来减少对GPU的资源占用。同时,有针对性地设计了一系列的技术用来减少GMODx的性能开销,包括定制的链表结构和针对统一内存的性能优化。另外,为了实现对用户的完全透明,GMODx截取了CUDA的运行时API,用户在不需要修改源代码以及重编译的情况下,就可以直接部署GMODx。实验数据表明,GMODx仅引入平均3.5%、最大13.6%的性能开销。另外,为了评估GMODx对真实应用造成的性能影响,GMODx在Tensorflow平台上进行了测试。实验表明:GMODx仅带来平均0.8%、最大1.8%的性能开销。第四,针对GPU上TLB争用导致的安全隐患问题,论文设计了TLB-pilot系统,TLB-pilot采用基于流处理器（Streaming Multiprocessors,SM）的组隔离机制,将不同GPU应用程序的线程块绑定到由GPU流处理器组成的不同流处理器组上。不同流处理器组的TLB访问相互隔离,通过这种方式避免GPU应用程序之间的TLB争用。TLB-pilot利用轻量级的在线分析方法获取应用程序的关键信息,然后利用kernel切割和线程块调度策略消除负载不均衡的影响。实验结果表明,TLB-pilot在防御TLB争用攻击的同时,提升了56.2%的平均周转时间（Average Normalized Turnaround Times,ANTT）以及60.6%的系统吞吐量（System Overall Throughput,STP）。第五,论文针对持久内存应用程序,设计了故障一致性问题的高性能检测系统PMDebugger。与以往的工作不同,PMDebugger在保证高性能的同时实现了高精度。PMDebugger基于大量的针对真实持久内存应用的分析实验所发现的三个特点而设计,由高效的混合数据结构（持久内存信息数组和AVL树）和检测算法组成（检测规则）。为了实现高精度,PMDebugger针对不同持久化模型,设计了总共九种检测规则来检测故障一致性问题。与现有工作XFDetector和Pmemcheck相比,PMDebugger实现了平均49.3倍以及3.4倍的性能提升。与另外一个专门优化性能的工作PMTest相比,PMDebugger性能相近,但无需依赖程序员手动注解代码来辅助检测过程。在检测精度方面,PMDebugger比现有系统检测出更多的故障一致性问题。