DoSDet：一种基于学习的检测与缓解方法，用于保护芯片组系统免受洪水式DoS攻击的威胁

《Journal of Systems Architecture》：DoSDet: A learning-based detection and mitigation approach for securing chiplet systems against flooding DoS attack

　　

摘要

在快速发展的高性能计算领域中，芯片级架构通过先进的封装技术实现高密度集成，从而提升系统的可扩展性和性能。然而，恶意第三方知识产权的融入使得这类芯片级系统容易受到洪水式拒绝服务攻击的影响。具体而言，被攻破的路由器会向互连网络注入大量虚假数据包，导致网络拥堵并降低整体性能。为应对这一威胁，本文提出了DoSDet这一基于学习的检测与缓解框架，该框架结合双向长短期记忆网络与异常感知图注意力网络，用于保护芯片级系统免受洪水式拒绝服务攻击。同时，我们还设计了一种考虑拓扑结构的安全重路由策略，该策略能够隔离恶意路由器、动态重建路由路径，从而将网络性能下降降至最低。实验结果表明，DoSDet在不同流量模式下对洪水式拒绝服务攻击的平均检测准确率可达96.54%。此外，该缓解机制还能将网络延迟控制在接近基准值的水平，同时将PARSEC基准测试任务的模拟时间控制在基准值的1.1倍以内，其功耗增加仅为基准路由器设计的5.86%，面积增加为6.65%，实现了检测性能与硬件可行性之间的良好平衡。

引言

基于芯片级架构的系统通过先进的封装技术实现高密度集成，已成为提升系统计算能力与可扩展性的重要解决方案[1]、[2]。如图1所示，每个芯片级单元都采用片上网络来实现芯片内部的通信。同时，垂直连接则通过硅通孔技术实现，从而确保芯片间数据的高效且可扩展传输[3]。不过，集成电路的分布式供应链特性使得这类系统面临着更大的攻击面，极易遭受洪水式拒绝服务攻击。硬件特洛伊木马被认为是主要的威胁来源，它们能够植入供应链中各个环节的关键组件，如网络接口、路由器以及知识产权等。一旦被激活，这些植入恶意软件的路由器就会持续生成大量冗余数据包，不仅造成网络拥堵，还会显著降低系统的能效与通信性能[1]。

目前已有大量研究致力于提升芯片级系统的性能与能效，而针对其互连设计安全性的研究仍处于初期阶段，仅有少数研究探讨了由硬件特洛伊木马引发的洪水式拒绝服务攻击问题。实际上，芯片级网络融合了片上网络与中介层结构，虽然继承了传统片上网络的安全漏洞，但却为硬件特洛伊木马的植入提供了更多机会[4]。这类恶意软件可通过流量洪泛、路由篡改或数据包丢弃等方式发起拒绝服务攻击[5]、[6]、[7]。为应对基于片上网络系统的此类攻击，相关研究[6]、[8]采用了基于固定特征阈值的检测方法，通过监测网络延迟和路由器缓冲区使用率等关键指标来进行检测。然而，这类方法存在明显缺陷：预定义的阈值无法适应不断变化的网络状况，从而导致误报和漏报现象[9]。

为克服传统固定阈值方法的局限性，研究人员逐渐转向基于学习的检测方法。现有的此类方法包括：Sniffer[10]，这是一种分布式协作检测框架，能够结合局部与全局的流量特征来识别攻击；DL2Fence[11]，它利用两个卷积神经网络将流量转换为图像帧，从而帮助识别攻击路径并定位恶意路由器；还有GNS[12]，该方法将图神经网络与长短期记忆网络相结合，用于提取时空层面的流量特征，以实现洪水式拒绝服务攻击的识别与定位。

然而，当将这些基于学习的检测方法应用于芯片级系统时，它们存在三个主要缺陷。首先，DL2Fence[11]和GNS[12]都需要在每个路由器端口处设置专门的监控单元。GNS利用这些单元收集缓冲区占用情况的相关特征，而DL2Fence则借助它们实时获取虚拟通道占用率和缓冲区操作次数等信息，这无疑会增加大量的硬件开销；其次，Sniffer[10]依靠拓扑关联在单个片上网络内部进行协同检测，但它无法适应芯片间通信所具有的独特拓扑结构；最后，现有方法均没有针对芯片级系统的架构特点设计相应的缓解机制。

鉴于洪水式拒绝服务攻击流量在芯片级系统中具有明显的时空关联性，我们采用了双向长短期记忆网络来捕捉时间层面的流量模式，同时运用图注意力网络来分析拓扑层面的流量特征。本文的主要贡献如下：

• •
  我们构建了一个全面且量化的芯片级系统洪水式拒绝服务攻击威胁模型，其中包含了攻击概率和攻击注入率等关键参数。该模型清晰地描述了恶意路由器与受害路由器之间的交互关系，以及芯片内部与芯片间攻击场景的边界。该模型可作为gem5仿真工具中的内置模块，通过输入指令进行激活与配置，为后续检测与缓解机制的设计与验证提供了标准化、可定制的基础。
• •
  我们提出了DoSDet，这是一种具备异常感知功能的基于学习的框架，用于检测芯片级系统中的洪水式拒绝服务攻击，该框架整合了双向长短期记忆网络与异常感知图注意力网络。双向长短期记忆网络能够捕捉网络流量的时间演化规律，并输出节点的异常程度评分；而异常感知图注意力网络则引入了异常评分偏置项，与传统仅考虑拓扑结构及基本节点特征的图注意力网络不同，该机制能够在拓扑特征聚合过程中更突出异常节点的作用。
• •
  我们为DoSDet设计了一种高效的流量特征采样策略，该策略以路由器作为基本的采样单元来汇总流量特征。这一策略大幅降低了特征提取的计算复杂度以及数据收集的硬件开销，同时仍保持了较高的洪水式拒绝服务攻击检测准确率。实验结果表明，DoSDet在不同流量模式下的平均检测准确率均超过96.5%。
• •
  我们针对芯片级系统的架构特点，设计了一种考虑拓扑结构的安全重路由缓解机制。该机制能够重新构建芯片内部及芯片间的传输路径，从而在最短路径路由与负载均衡之间实现平衡。实验结果显示，该缓解机制能够在各种流量模式下都将网络延迟控制在接近基准值的水平，同时还能将各类PARSEC基准测试任务的模拟时间控制在基准值的1.1倍以内。在Synopsys DC工具中的初步硬件评估显示，与基准设计相比，该方案在单个路由器上的面积开销为6.65%，功耗开销为5.86%。

本文的结构安排如下：第2节回顾相关研究；第3节详细阐述洪水式拒绝服务攻击威胁模型；第4节介绍所提出的框架，包括特征选择、数据收集、基于学习的检测模型以及缓解方法；第5节展示实验结果；第6节总结全文并指出未来的研究方向。

章节要点

相关研究

本节综述了目前在片上网络及芯片级系统中用于防御洪水式拒绝服务攻击的相关研究，重点分析了这些系统存在的安全漏洞、防御机制以及面临的各种挑战。

威胁模型

本节介绍了洪水式拒绝服务攻击的威胁模型，内容包括不可信的攻击源、恶意行为以及具体的攻击场景。

整体设计思路

我们借鉴长短期记忆网络在时间建模方面的优势以及图神经网络在拓扑表示方面的特长，认为网络流量既存在时间相关性，也存在空间相关性。具体而言，洪水式拒绝服务攻击的特点是突然的流量洪泛与隐蔽的触发方式。长短期记忆网络能够精准捕捉网络流量特征的时间演化规律，而图神经网络则可以有效描述流量行为与网络拓扑结构之间的关联。将这两种技术相结合

实验环境设置

威胁模型与实验环境均基于gem5仿真工具构建[34]。实验所用的硬件平台为英特尔i7-11800H处理器（16核，2.30GHz，16GB内存），操作系统为Ubuntu 22.04 LTS。我们采用的拓扑结构与HDRI[35]相同，即由4个4×4的芯片级单元通过4×4的中介层相互连接。每个芯片级单元包含16个核心，每个核心配备16KB的私有数据缓存和16KB的私有指令缓存。网络参数的配置如下：

结论

本研究探讨了芯片级系统中由硬件特洛伊木马引发的洪水式拒绝服务攻击问题，并提出了DoSDet框架，旨在在保障系统安全与提升性能之间实现平衡。我们的主要贡献包括：为芯片级系统构建了洪水式拒绝服务攻击威胁模型，量化了各类关键攻击参数；设计了融合了双向长短期记忆网络与异常感知图注意力网络的时空融合检测模型，可实现对受攻击路由器的精准定位；同时还设计了一种考虑拓扑结构的安全重路由缓解机制，能够在保障系统正常运行的同时

CRediT作者贡献说明

张文博：负责原文撰写、可视化处理以及数据整理工作。徐玉航：负责方法验证相关工作。郭伟：负责项目管理及资金申请事务。易奇帅：负责资源协调以及项目管理工作。刘勤荣：同样负责资源协调与项目管理工作。郑瑞：负责相关调研工作以及数据整理。

利益冲突声明

所有作者声明，他们不存在任何可能影响本文研究成果的已知财务利益冲突或个人关系。

致谢

本研究得到了中国国家重点研发计划的支持，项目编号为2023YFB4404200。

张文博于2022年在中国郑州的信息工程大学获得信息与通信工程学士学位，目前在该校攻读博士学位。他的研究兴趣主要包括软件定义片上系统以及网络空间安全领域。

张文博|徐玉航|郭伟|易奇帅|刘勤荣|郑瑞

中国郑州450001，信息工程大学