FortuneTeller：通过无监督深度学习预测微体系结构攻击
密码学与安全
2019-07-09 v1 机器学习
摘要
微体系结构攻击日益增长的安全威胁，凸显了在硬件层面建立稳健安全传感器与检测机制的重要性。尽管已有关于缓存攻击运行时检测的研究，但考虑广泛现有及未来攻击的通用模型仍然缺失。遗憾的是，以往方法要么只考虑单一攻击变体（例如 Prime+Probe），要么只针对特定受害应用（如密码学实现）。此外，最先进的异常检测方法基于粗粒度统计模型，无法成功检测大规模真实系统中的异常。得益于先进循环神经网络（RNN）算法的记忆能力，短期与长期依赖都能被更准确地学习。因此，我们提出 FortuneTeller，它首次利用 RNN 的优势学习复杂执行模式，并检测真实系统中的未知微体系结构攻击。FortuneTeller 以无监督方式从微体系结构角度对良性工作负载模式建模，然后预测即将发生的良性执行应有的行为。当预测执行模式与运行时观测之间存在差异时，潜在攻击与恶意行为将被自动检测。我们基于 Intel 处理器上可用的硬件性能计数器实现 FortuneTeller，并使用来自良性应用的 1000 万样本进行训练。最新攻击如 Meltdown、Spectre、Rowhammer 和 Zombieload 首次通过单一训练模型且训练期间未观测到这些攻击而被检测。我们展示 FortuneTeller 达到了 0.9970 的 F 值。
引用
@article{arxiv.1907.03651,
title = {FortuneTeller: Predicting Microarchitectural Attacks via Unsupervised Deep Learning},
author = {Berk Gulmezoglu and Ahmad Moghimi and Thomas Eisenbarth and Berk Sunar},
journal= {arXiv preprint arXiv:1907.03651},
year = {2019}
}