AutoCAT：用于自动探索缓存时序攻击的强化学习框架
密码学与安全
2023-02-07 v3 硬件体系结构
摘要
现代微处理器中激进的性能优化可能导致安全漏洞。例如，处理器缓存中的基于时序的攻击可窃取密钥或破坏随机化。迄今为止，发现缓存时序漏洞主要由人类专家完成，效率低且费力。鉴于未报告的漏洞使系统处于风险中，需要能够探索漏洞的自动化工具。本文中，我们提出 AutoCAT，一种利用强化学习（RL）发现缓存时序信道攻击序列的自动探索框架。具体而言，AutoCAT 将缓存时序信道攻击建模为攻击程序与持有秘密的受害者程序之间的猜测游戏。该猜测游戏因此可通过现代深度 RL 技术求解。AutoCAT 可在不知设计细节且在不同攻击与受害者程序配置下探索各种缓存配置中的攻击。AutoCAT 还能发现绕过特定检测与防御机制的攻击。特别地，AutoCAT 发现了 StealthyStreamline，一种能够绕过基于性能计数器的检测、且在真实处理器上比最先进的基于 LRU 的攻击信息泄露率高至多 71% 的新攻击。AutoCAT 是首个使用 RL 构造微体系结构时序信道攻击序列的框架，并可加速安全微处理器设计中的缓存时序信道探索。
引用
@article{arxiv.2208.08025,
title = {AutoCAT: Reinforcement Learning for Automated Exploration of Cache-Timing Attacks},
author = {Mulong Luo and Wenjie Xiong and Geunbae Lee and Yueying Li and Xiaomeng Yang and Amy Zhang and Yuandong Tian and Hsien-Hsin S. Lee and G. Edward Suh},
journal= {arXiv preprint arXiv:2208.08025},
year = {2023}
}