
بصمة دقيقة لوحدة معالجة الرسومات (GPU) التي تشغّلها، حتى بين وحدات GPU متطابقة، من ترتيب وصول عمليات الجمع الذرية (atomic adds) الخاصة بها. دقة 99.1%، تصمد أمام إعادة التشغيل، لا يمكن تزويرها، واستدعاء torch.index_add_ الافتراضي يكشفها.
منشور المدونة: التمييز بين وحدات GPU المتطابقة من مخرجاتها الرقمية
تحسب وحدتا GPU من الطراز نفسه المجموع نفسه بترتيب مختلف قليلًا، وهذا الاختلاف كافٍ للتمييز بينهما. تحدّد نواة CUDA صغيرة أيّ وحدة من 19 وحدة NVIDIA A40 متطابقة شغّلتها بدقة 99.1%، باستخدام الأرقام التي تحسبها فقط. فهي لا تقرأ أي رقم تسلسلي ولا تستخدم أي مؤقتات.
torch.index_add_ الافتراضي يسرّبها. فقراءة مخرجات ذلك العامل العادية فقط تحدّد الشريحة بدقة 100% بين وحدات GPU على المشغّل نفسه، و78% عبر مشغّلات مختلطة.سبب نجاحها: عندما تتسابق آلاف كتل الخيوط لتحديث عدّاد واحد، يقرّر العتاد من يصل أولًا. والاختلافات التصنيعية الدقيقة بين أنوية الشريحة ترجّح ذلك الترتيب بالطريقة نفسها في كل مرة.
يزيل الوضع الحتمي في PyTorch تسريب index_add_. يحتوي المستودع على المجسّات، وكل قياس يقف خلف الأرقام أدناه، وسكربتات تعيد إنتاج كل نتيجة على معالج CPU حاسوب محمول.
| النتيجة | الرقم | إعادة الإنتاج |
|---|---|---|
المجسّ النشط، 19 وحدة A40 متطابقة، قناة P3 (المخرجات الرقمية فقط، دون %smid) | 99.1% LOO (111/112)، الاحتمال العشوائي 5.3%، الفصل 4.28x | analysis/pooled_analyze.py |
| المجسّ النشط، 8 وحدات A40 | P3 100% LOO، الفصل 4.09x، p للتبديل = 0.0005 | analysis/analyze_puf.py |
| إرباك المشغّل: 4 وحدات A40 على المشغّل نفسه (580.159.04) | P3 100% (6.10x)، P2 100% (5.43x) | analysis/analyze_puf.py |
| إعادة التشغيل: إعادة تشغيل الحاوية، القالب نفسه مُتحقَّق منه عبر UUID (4 وحدات A40) | 100% إعادة تحديد (12/12)، كلتا القناتين | analysis/temporal_analyze.py |
| RTX 3090، 7 شرائح عبر 4 إصدارات من المشغّل | P3 100% LOO (4.55x)، P2 100% (8.12x)، p = 0.0005 | analysis/cross_model_analyze.py |
| RTX 4090، شريحتان على المضيف والمشغّل نفسيهما | P3 6/6 (12.5x)، P2 6/6 (17.8x) | analysis/cross_model_analyze.py |
| L40S، شريحتان | P3 4/4 (17.2x)، P2 4/4 (13.8x) | analysis/cross_model_analyze.py |
السلبي torch.index_add_، K=65536، 6 وحدات A40 | 100% على المشغّل نفسه (9/9)، 78% عبر المشغّلات | analysis/passive_analyze.py |
| سعة التوقيع السلبي، K=65536 | ~217 بتًا مستقلة (A40)، ~239 (RTX 4090) | analysis/roc_capacity.py |
| التزوير: يجرب المهاجم كل مقبض إطلاق يتحكم به | أفضل تزوير 0.616 ارتباطًا مقابل 0.92 حدًّا أدنى حقيقيًا | analysis/forge_analyze.py |
| الحدود: تمرير/رجوع محوّل transformer عادي، GEMM كثيف، ضرب مصفوفات TF32 | متطابق بتًا بتًا عبر الشرائح، دون تسريب | analysis/leak_analyze.py، analysis/channel_analyze.py |
الدفاع: torch.use_deterministic_algorithms(True) | القناة السلبية مُزالة؛ تكلفة رجوع 2.5-3.6x؛ المجسّ النشط غير متأثر | analysis/defense_analyze.py |
LOO = تصنيف أقرب مركز مع استبعاد واحد لقياسات مفردة مقابل مراكز لكل شريحة. الفصل = المسافة بين الشرائح / المسافة داخل الشريحة.
المجسّ (probes/probe_puf.py) نواة cupy صغيرة. يطلق 4096 كتلة من 128 خيطًا. يؤدي كل خيط السلسلة الثابتة نفسها من عمليات FMA، ثم يأخذ الخيط 0 من كل كتلة تذكرة من عدّاد عام عبر atomicAdd(counter, 1). التذكرة هي خانة وصول تلك الكتلة. لا يختلف شيء في المدخلات بين الشرائح؛ الشيء الوحيد المتباين هو أي الكتل يصل أولًا.
ذلك الترتيب ليس عشوائيًا. يوزّع موزّع العمل فهارس الكتل على وحدات SM بنمط شبه ثابت، وتعمل كل وحدة SM على قالب معيّن أسرع أو أبطأ قليلًا من نظيراتها بسبب التباين التصنيعي. وبالمتوسط على 3000 عملية إطلاق، يستقر كل فهرس كتلة عند رتبة وصول متوسطة تعكس سرعة وحدة SM التي يحلّ عليها.
fixed kernel, fixed input
|
v
blocks race to atomicAdd --> arrival slot per block (hardware-decided)
|
v average over 3000 launches
mean arrival rank per block index (P3) / per physical SM via %smid (P2)
|
v subtract the cross-chip mean (removes the architecture)
per-chip residual --> nearest-centroid match against enrolled chips
تنتج عن تشغيل واحد ثلاث قنوات:
%smid أو مؤقتات أو عدادات ذات صلاحيات خاصة. هذه هي القناة الرئيسية.%smid. يخفف التجميع بحسب وحدة SM الفعلية الضوضاء الحرارية، ولذلك تبقى P2 فعالة تحت الحمل: إعادة تعرف بنسبة 100% (18/18) بعد 60 ثانية من الضغط بالحمل الكامل.يؤدي طرح المتوسط عبر الشرائح إلى إزالة كل ما تشترك فيه الشرائح (المعمارية وبرنامج التشغيل والمصرّف)، مع الإبقاء على المكوّن المتبقي الخاص بكل قالب سيليكون. تتقارب نتائج قياسين للشريحة نفسها، بينما لا تتقارب نتائج القياسات لشرائح مختلفة.
git clone https://github.com/divagr18/gpu-instance-fingerprint.git
cd gpu-instance-fingerprint
pip install -r requirements.txt # numpy + scipy, enough for every analysis
تشغيل التحليل على البيانات المرفقة (CPU، دون الحاجة إلى GPU):
python analysis/pooled_analyze.py # 19 A40s: 111/112 = 99.1%
python analysis/analyze_puf.py "a40_8chip/*.json" # 8 A40s: P3 100%
شغّل الفحص على وحدة معالجة رسومات:
pip install numpy cupy-cuda12x
python probes/probe_puf.py 3 0 > gpu_a_r0.json # 3 epochs, replicate 0 (about 2 s per epoch)
python probes/probe_puf.py 3 1 > gpu_a_r1.json
اجمع عدة نسخ مكررة من كل واحد من اثنين أو أكثر من وحدات GPU من الطراز نفسه، ثم:
python analysis/analyze_puf.py "path/to/*.json"
يسجّل كل سجل JSON معرّف UUID الخاص بوحدة معالجة الرسوميات (GPU) وبرنامج التشغيل وإصدار cupy وبيانات الساعة ودرجة الحرارة لكل حقبة إلى جانب القياسات. ويجمّع التحليل النتائج حسب اسم الطراز ويصنّف الشرائح حسب UUID.
للتشغيل على أجهزة بعيدة عبر SSH، يدفع scripts/run_remote.sh أداة فحص، ويشغّلها على عدة مضيفات بالتوازي ويجمع ملفات JSON:
OUT_DIR=data/my_run REPS=4 scripts/run_remote.sh probe gpu1=root@HOST1:PORT gpu2=root@HOST2:PORT
docker/Dockerfile يبني صورة مع CUDA 12.8 وcupy والمسبار مثبّتًا مسبقًا (docker build -f docker/Dockerfile -t gpu-instance-fingerprint .).
تُشغَّل جميع الأوامر من جذر المستودع على وحدة معالجة مركزية (CPU). تجد السكربتات بياناتها في data/ من تلقاء نفسها.