BiD-Accel:一种针对GPU静态指令的加速型二维输入感知SDC(安全设计缺陷)评估方法
《Future Generation Computer Systems》:BiD-Accel: Accelerated Bidimensional Input-Aware SDC Vulnerability Assessment for GPU Static Instructions
【字体:
大
中
小
】
时间:2026年01月09日
来源:Future Generation Computer Systems 6.2
编辑推荐:
GPU安全关键系统中的静默数据腐蚀(SDC)问题,通过扩展gpuFI-4实现静态指令级故障注入映射,结合14个基准测试的数十万次注入实验,量化分析输入值和大小对SIEP(静态指令错误概率)和SDCO(SDC发生率)的影响,发现SIEP与SDCO存在强相关性,并构建输入感知的双维度加速评估框架BiD-Accel,利用SIEP驱动排序策略将评估指令量减少至70.4%。
钱振宇|王良国|张鹏飞|饶建宁
中国科学院国家空间科学中心,中国北京100190
摘要
图形处理单元(GPUs)在安全关键系统中越来越多地得到应用,而这些系统中存在静默数据损坏(SDCs)的严重风险。选择性指令复制(SID)可以降低这些风险,但依赖于准确的静态指令漏洞评估,而输入值和大小的变化使得这一评估变得复杂。本文全面研究了输入特性如何影响指令级别的SDC漏洞,我们使用静态指令错误概率(SIEP)和SDC发生率(SDCO)来量化这些影响。我们扩展了gpuFI-4框架,以实现静态指令级别的故障注入映射。在14个基准测试和数千万次单位、双位和三位故障注入中,我们发现SIEP基本上对输入值不敏感,但对输入大小敏感;而SDCO对输入值非常敏感。对于寄存器指令,SDCO在随机和结构稀疏输入下保持稳定,但在全零、NaN或非规范化输入下则明显不同。此外,当SIEP对输入大小敏感时,SDCO也表现出对大小的敏感性(皮尔逊相关系数 )。我们进一步观察到,无效注入率随输入大小的增加而降低,尽管共享内存指令的数量较少,但它们对SDCs的贡献却不成比例。基于这些发现,我们提出了BiD-Accel框架,这是一个基于二维输入的、能够加速静态指令SDC漏洞评估的框架。其SIEP驱动的降序排序(DOS)方法平均仅需对70.4%的指令进行注入即可获得稳定的SDC漏洞排名,而随机排序(RO)方法则需要86.2%的指令,从而大幅降低了评估成本,同时保持了排名准确性,并为在输入变化较大的GPU工作负载下应对SID提供了可行的指导。
引言
图形处理单元(GPUs)在计算密集型应用中,尤其是在深度学习领域,由于其大规模并行架构和丰富的计算资源,提供了显著的性能优势。因此,它们被广泛应用于高性能计算(HPC)和人工智能(AI)领域[1],[2],并且其应用范围继续扩展到安全关键系统,如自动驾驶汽车[3]和航空航天平台[4]。然而,这些新兴应用场景对可靠性提出了严格的要求。在汽车系统中,GPU必须符合ISO 26262标准的功能安全要求[3];而在航空航天应用中,GPU需要能够承受长时间的空间辐射,如范艾伦带、太阳粒子事件和宇宙射线[5]。
在安全关键系统中,GPU容易受到硬件故障的影响,其中由宇宙射线或电磁干扰引起的瞬态故障最为常见[6]。这类故障会导致静默数据损坏(SDCs),即计算结果错误但系统不会发出警报[7]。Meta及其团队发现,SDCs的发生率几乎是之前认为的千倍[8]。由于SDCs的隐蔽性,在已部署的系统中检测它们仍然具有挑战性[9],从而影响了系统的整体可靠性[10]。
为了降低GPU上的SDC风险,现有的方法主要分为两类:基于硬件的和基于软件的。在硬件层面,错误校正码(ECC)为GPU内存系统提供了强大的保护[11];在软件层面,基于冗余的方案因其灵活性而在保护GPU计算单元方面受到广泛关注[12],由此产生了一系列容错技术[13]、[14]、[15]。然而,完全冗余会带来相当大的性能开销,这促使人们开发了选择性指令复制(SID)技术,这些技术仅针对最容易受到SDCs影响的指令[16]、[17]、[18]、[19]。
在使用SID方法进行指令保护时,主要挑战在于对静态指令的SDC漏洞进行评估。现有研究利用机器学习方法[20]、[21]、[22]或概率模型[23]来预测或计算指令的SDC概率。然而,存在三个主要限制:首先,尽管现有工作[24]承认输入特性显著影响静态指令的SDC漏洞,但目前的方法缺乏系统分析输入大小和输入值维度如何独立影响这一漏洞。由于GPU应用在实际使用中通常在值和大小上都有变化,这些限制使得现有方法无法为静态指令SDC漏洞评估提供有效指导。其次,现有研究[25]主要关注在静态指令错误发生后的应用发生SDC的概率,忽视了指令本身的错误发生概率在评估其SDC漏洞中的关键作用。最后,目前还缺乏专门为张量核心应用设计的静态指令级故障注入方法。现有研究[26]主要依赖于传统的故障注入工具,如SASSIFI[27],但这些工具与具有张量核心的GPU架构存在兼容性问题。尽管NVBitFI[28]和gpuFI-4[29]支持张量核心应用中的随机故障注入,但它们仍然无法将注入的故障映射回静态指令级别。
为了解决现有研究的局限性,本研究首先通过改进gpuFI-4故障注入框架并建立定量模型,全面评估了在不同输入特性下静态指令的SDC漏洞。通过对14个代表性基准应用中的静态指令进行广泛的故障注入实验,我们系统地分析了指令级别SDC漏洞与输入值和大小变化之间的相关性。基于分析结果,我们构建了一个名为BiD-Accel的分析框架,用于评估各种输入条件下的静态指令SDC漏洞。此外,我们提出了两种加速评估方法,利用之前获得的静态指令错误概率来减少评估时间。相关工作的比较见表1。
本研究的主要贡献总结如下:
1.在gpuFI-4框架上进行指令级归因。我们扩展了gpuFI-4,将周期级注入归因于特定的PTX静态指令,从而能够在寄存器和共享内存上进行分析(小节3.1)。
2.输入的二维研究。在14个基准测试和多种位翻转设置中,我们量化了七种输入值模式和六种输入大小对无效注入率、静态指令错误概率(SIEP)和SDC发生率(SDCO)的影响(小节3.2–3.3)。主要发现:无效注入率随输入大小减小而降低,但在全零/NaN/非规范化输入下会增加(观察结果1);SIEP基本上对输入值不敏感,而SDCO对输入值非常敏感,尤其是在全零/NaN/非规范化输入下,对于寄存器指令而言(观察结果2-3)。
3.通过SIEP-SDCO耦合分析输入大小敏感性。
对于寄存器指令,不同大小之间的SIEP和SDCO显示出显著的正相关(皮尔逊相关系数 ),这使得从业者可以根据观察到的SIEP推断出SDCO对输入大小的敏感性(小节3.3,观察结果4)。 4.共享内存的脆弱性较高。
尽管共享内存指令的数量较少,但它们在SDCs中所占的比例较大,因此需要在评估和保护中给予优先考虑(小节3.3,观察结果5)。 5.BiD-Accel和SIEP驱动的加速。
我们引入了BiD-Accel框架,按指令类型、输入值分层和大小敏感性进行评估,并提出了一种基于SIEP政策的降序排序方法,该方法仅需对70.4%的指令进行排序即可获得稳定的SDCO排名,而随机排序方法则需要86.2%的指令(第4节)。图1展示了本研究的整体架构和工作流程。本文的其余部分组织如下:第2节回顾了GPU和CUDA的背景、错误模型和注入方法;第3节详细介绍了我们的指令级方法、实验设置和二维分析结果;第4节介绍了BiD-Accel框架和SIEP驱动的加速结果;第5节总结了相关工作。
部分摘录
GPU硬件和CUDA编程模型
NVIDIA Turing GPU1采用了分层设计(图2a),包括多个图形处理集群(GPCs),每个GPC包含多个纹理处理集群(TPCs)和流式多处理器(SMs)。每个SM集成了异构执行单元(INT32、FP32、FP64)和张量核心,用于混合精度矩阵运算,并由加载/存储功能支持
研究输入值和大小变化对静态指令SDC漏洞的影响
在本节中,我们首先介绍了静态指令级故障注入方法和SDC漏洞评估方法(小节3.1)。随后,我们详细介绍了在不同输入值和大小下进行故障注入的实验配置和实现细节(小节3.2)。最后,我们对实验结果进行了全面分析和总结(小节3.3)。
BiD-Accel:基于二维输入的静态指令SDC漏洞加速评估框架
基于第3节的研究观察结果,我们提出了一个名为BiD-Accel的静态指令SDC漏洞评估框架,该框架能够加速不同输入值和大小的评估。第4.1节首先详细介绍了所提出的BiD-Accel框架,第4.2节详细阐述了加速SDC漏洞评估方法,并对其有效性进行了分析和验证。第4.3节讨论了该框架的适用性
相关工作
故障位点和指令级SDC漏洞分析在现有的故障位点和指令级SDC漏洞分析研究中取得了显著进展。Yue等人[21]提出了G-SEPM框架,该框架整合了多维特征,包括指令特性、位漏洞和错误传播路径,通过机器学习模型实现故障位点SDC的预测。Anwer等人[23]开发了GPU-Trident,利用数学建模
结论
本研究全面探讨了输入值和大小如何影响GPU静态指令的SDC漏洞,并提出了一个高效的输入感知评估框架。我们扩展了gpuFI-4框架,增加了指令级故障归因功能,定义了三个关键指标SIEP、SDCO和SDCV,并在14个基准测试中进行了广泛的故障注入实验。主要发现总结如下:
•观察结果1:随着输入大小的增加,无效注入的比例降低。
CRediT作者贡献声明
钱振宇:撰写——原始草稿、可视化、验证、软件实现、方法论、研究、形式分析、数据整理、概念化。王良国:撰写——审稿与编辑、监督、资源协调、项目管理、方法论、研究、概念化。张鹏飞:软件实现、资源协调、方法论、研究。饶建宁:资源协调、资金获取。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号