基于机器学习算法针对不同 Spectre 攻击变体及不同 Meltdown 攻击实现的攻击检测
密码学与安全
2022-08-31 v1
摘要
为提升处理器整体性能，计算机体系结构师在现代处理器中采用多种性能优化技术，如推测执行、分支预测与乱序执行。这些优化技术对于提升处理器指令执行速度至关重要，无论现在还是未来。然而，研究人员发现这些技术引入了隐藏的固有安全缺陷，如近年来的 meltdown 与幽灵（ghost）攻击。它们利用乱序执行或推测执行结合基于缓存的侧信道攻击来泄露受保护数据。这些漏洞影响巨大，因为它们普遍存在于现有或未来的处理器中。然而至今，meltdown 与幽灵尚未被有效解决，反而从中演化出多种攻击变体与不同攻击实现。本文提出通过特征选择优化四种不同硬件性能事件，并利用机器学习算法构建针对 Spectre v1、v2、v4 及不同 meltdown 攻击实现的实时检测机制，最终达到超过 99\% 的准确率。为验证攻击检测模型的实用性，本文以多种良性程序及不同于建模过程的 Spectre 攻击不同实现进行测试，绝对准确率亦超过 99\%，表明本文可应对日常可能出现的不同攻击变体及同一攻击的不同实现。
引用
@article{arxiv.2208.14062,
title = {Attack detection based on machine learning algorithms for different variants of Spectre attacks and different Meltdown attack implementations},
author = {Zhongkai Tong and Ziyuan Zhu and Yusha Zhang and Yuxin Liu and Dan Meng},
journal= {arXiv preprint arXiv:2208.14062},
year = {2022}
}