基于图神经网络的网络芯片分布式 denial-of-service 攻击拓扑感知检测与定位
密码学与安全
2025-05-22 v1
摘要
网络芯片（NoC）使现代系统级芯片（SoC）设计中不同核心之间实现了通信。由于其共享的通信架构，NoC 成为各种安全威胁的焦点，尤其是在异构和高性能计算平台上。其中，分布式 denial-of-service（DDoS）攻击发生在多个恶意实体协作以压垮和 disrupt 关键系统组件访问的场景，可能导致严重的性能退化或服务完全中断。由于其分布性质和 NoC 中动态的流量模式，这些攻击特别难以检测，往往能规避静态检测规则或简单分析。本文提出了一种基于图神经网络（GNN）的拓扑感知 DDoS 攻击检测与定位框架，通过分析 NoC 流量模式实现。具体而言，通过将 NoC 建模为图形，本方法利用时空流量特征有效识别和定位 DDoS 攻击。与依赖手工特征或基于阈值的检测方法不同，本 GNN 方法直接在原始 inter-flit 延迟数据上运行，无需人工干预即可学习复杂的流量依赖关系。实验结果表明，该方法在检测和定位 DDoS 攻击方面可达到高达99%的准确率，在各种攻击策略下保持一致的性能。此外，所提方法在不同恶意 IP 数量和位置、不同数据包注入速率、应用工作负载以及包括 2D 网格和 3D TSV-based NoC 在内的各种体系结构配置下表现出强大的鲁棒性。我们的工作提供了一种可扩展、灵活且与体系结构无关的防御机制，显著提高了未来 SoC 设计中芯片内部通信的可用性和可信度。
引用
@article{arxiv.2505.14898,
title = {Topology-aware Detection and Localization of Distributed Denial-of-Service Attacks in Network-on-Chips},
author = {Hansika Weerasena and Xiaoguo Jia and Prabhat Mishra},
journal= {arXiv preprint arXiv:2505.14898},
year = {2025}
}