加州大学河滨分校的研究人员，发现了三种可能被黑客利用 GPU、来攻破用户安全与隐私防线的方法。这些技术可用于监视浏览器活动、窃取密码、以及向基于云端的应用程序发起攻击。研究报道中描述的第一项，指出了 GPU 旁路攻击导致的渲染不安全：“计算机科学家们认为这是可行的，并且描述了他们如何通过对 Nvidia GPU 进行反向工程，将图形渲染和计算机堆栈都拉下水”。
英伟达发布的新卡皇（图自：Nvidia 官网）
论文原标题为《渲染也不安全：计算机旁路攻击是可行的》（Rendered Insecure: GPU Side Channel Attacks are Practical）。其声称，这是人们首次成功地对 GPU 发起旁路攻击。
当然，执行这类攻击，也有着几项前提。首先，受害设备上必须被安装了间谍软件程序，这种恶意代码可以嵌入一个无害的应用程序。
其次，攻击者必须拥有可以分析 GPU 内存分配机制的机器学习方法。然后，间谍软件和机器学习程序才可以利用现有的图形 API（如 OpenGL 或 WebGL）发起攻击。
换言之，一旦用户打开了恶意应用程序，它就会调用 API 来分析 GPU 正在呈现的内容（比如网页信息）。GPU 的存储器和性能计数器被其所监视，并馈送给机器学习算法，以解释数据和创建网站的指纹。
加州大学河滨分校指出，鉴于渲染对象数量和尺寸的不同，每个网站在 GPU 内存利用率方面都会留下独特的痕迹。在多次加载同一个网站时，这个信号的样式几乎时一致的，而且不受缓存的影响。
研究人员称，通过这种‘网站指纹识别方法’，他们已经能够实现很高的识别准确率。借助这项技术，黑客可监控受害者的所有网络活动。
研究配图：旁路攻击解析
更糟糕的是，这一漏洞还允许攻击者从 GPU 数据中提取密码。
当用户键入密码字符时，整个文本框会被发送到 GPU 进行渲染。每一次的击键，都会发生这样的数据传递。
如此一来，凭借完善的密码学习技术，只需监控 GPU 内存中持续的分配事件、并参考间隔时间，理论上攻击者就可以做到这点。
论文中描述的第三种技术（攻击基于云端的应用程序），则比上述两种方法要复杂一些。攻击者可以在 GPU 上启动恶意的计算型工作负载，与受害者的应用程序一起运行。
根据神经网络的参数、缓存、内存、以及功能单元上（随时间而不同的）争用强度和模式，可以产生可测量的信息泄露。
攻击者在性能计数器的追踪上使用了基于机器学习的分类，以此提取受害者的私密神经网络结构，如深层神经网络特定层中的神经元数量。
万幸的是，在团队向 Nvidia 通报了他们的研究结果后，该公司表示将向系统管理员推出一个补丁，以便他们可以禁止从用户级进程访问性能计数器。
同时，研究团队还向 AMD 和英特尔安全团队通报了同样的事情，以便它们评估这些漏洞是否会在自家产品上被利用。