Skip to content
KitploitKITPLOIT
ツールエクスプロイトブログ
Log in
提出
ツールエクスプロイトブログ
提出

ハッキング、侵入テスト、サイバーセキュリティツールをあなたのセキュリティアーセナルに!

Kitploitはハッキング、サイバーセキュリティ、ペネトレーションテストのツールディレクトリです。最新のプロジェクトアップデートを見つけて、脆弱性の発見、システム分析、テストの自動化、セキュリティの強化を行いましょう。

フィードお問い合わせプライバシー© 2026 Kitploit

ツールディレクトリ

カテゴリ

すべてのカテゴリを見る
Loading categories
gpu-instance-fingerprint — 実行中のGPUを、同一のGPUの中でも、アトミック加算が到着する順序から正確にフィンガープリントします。99.1%の精度で、再起動後も維持され、偽装できず、デフォルトのtorch.index_add_呼び出しで漏洩します。 | Kitploit
ツール/GitHubGitHub/divagr18/gpu-instance-fingerprint
プライバシーハードウェアセキュリティ論文と研究
GitHubdivagr18/gpu-instance-fingerprint

gpu-instance-fingerprint

実行中のGPUを、同一のGPUの中でも、アトミック加算が到着する順序から正確にフィンガープリントします。99.1%の精度で、再起動後も維持され、偽装できず、デフォルトのtorch.index_add_呼び出しで漏洩します。

リポジトリを見る
共有
ウェブサイト
3155118日前未レビュー

同一のGPUを見分ける

ブログ記事: Telling identical GPUs apart from their numerical output

同じモデルの2つのGPUは、わずかに異なる順序で同じ和を計算し、その違いだけで両者を見分けるのに十分である。 小さなCUDAカーネルは、計算した数値のみを用いて、19台の同一のNVIDIA A40のうちどれで実行されたかを99.1%の精度で識別する。シリアル番号は読まず、タイマーも使用しない。

  • 再起動後も有効である。 コンテナの再起動後、12回の測定すべてが正しいチップと一致した。
  • 偽造はできなかった。 あるチップ上の攻撃者が、制御可能なすべての起動設定を調整しても、別のチップのフィンガープリントとの相関は最大で0.616にとどまった。本物のチップは自身のフィンガープリントと平均0.946で一致し、0.916を下回ることはなかった。
  • デフォルトのtorch.index_add_呼び出しからも漏洩する。 この演算の通常の出力のみを読むことで、同じドライバ上のGPU間では100%の精度でチップを識別でき、ドライバが混在する場合でも78%の精度で識別できる。
  • 複数のモデルで動作する: A40、RTX 3090、RTX 4090、L40S。

動作する理由: 数千のスレッドブロックが1つのカウンタを更新しようと競合するとき、どのブロックが最初に到達するかはハードウェアが決定する。チップのコア間の微小な製造差が、その順序を毎回同じように偏らせる。

PyTorchの決定論的モードはindex_add_の漏洩を除去する。リポジトリには、プローブ、以下の数値の背後にあるすべての測定結果、および各結果をラップトップのCPU上で再現するスクリプトが含まれている。

結果

結果数値再現方法
アクティブプローブ、同一のA40 19台、P3チャネル(数値出力のみ、%smidなし)99.1% LOO (111/112)、偶然確率5.3%、分離度4.28倍analysis/pooled_analyze.py
アクティブプローブ、A40 8台P3 100% LOO、分離度4.09倍、順列検定 p = 0.0005analysis/analyze_puf.py
ドライバ交絡: 同一ドライバ(580.159.04)上のA40 4台P3 100%(6.10倍)、P2 100%(5.43倍)analysis/analyze_puf.py
再起動: コンテナ再起動、UUIDで同一ダイを検証(A40 4台)100% 再識別 (12/12)、両チャネルanalysis/temporal_analyze.py
RTX 3090、4つのドライババージョンにまたがる7チップP3 100% LOO(4.55倍)、P2 100%(8.12倍)、p = 0.0005analysis/cross_model_analyze.py
RTX 4090、同一ホスト・同一ドライバ上の2チップP3 6/6(12.5倍)、P2 6/6(17.8倍)analysis/cross_model_analyze.py
L40S、2チップP3 4/4(17.2倍)、P2 4/4(13.8倍)analysis/cross_model_analyze.py
パッシブ torch.index_add_、K=65536、A40 6台同一ドライバ100% (9/9)、クロスドライバ78%analysis/passive_analyze.py
パッシブ署名容量、K=65536約217独立ビット(A40)、約239(RTX 4090)analysis/roc_capacity.py
偽造: 攻撃者が制御可能なすべての起動パラメータを掃引最良の偽造でも相関0.616、本物の下限は0.92analysis/forge_analyze.py
境界: バニラtransformerの順伝播/逆伝播、密なGEMM、TF32 matmulチップ間でビット単位で同一、漏洩なしanalysis/leak_analyze.py、analysis/channel_analyze.py
防御: torch.use_deterministic_algorithms(True)パッシブチャネルを排除、逆伝播コスト2.5〜3.6倍、アクティブプローブは影響なしanalysis/defense_analyze.py

LOO = 単一測定をチップごとのセントロイドに対して分類するleave-one-out最近傍セントロイド法。分離度 = チップ間距離 / チップ内距離。

動作の仕組み

プローブ(probes/probe_puf.py)は小さなcupyカーネルである。128スレッドからなる4096ブロックを起動する。各スレッドは同じ固定のFMA連鎖を実行し、その後各ブロックのスレッド0がatomicAdd(counter, 1)でグローバルカウンタからチケットを取得する。チケットはそのブロックの到着スロットである。入力に関してチップ間で異なるものは何もなく、変動するのはどのブロックが最初に到達するかだけである。

その順序はランダムではない。ワークディストリビュータはブロックインデックスをほぼ固定のパターンでSMにマッピングし、特定のダイ上の各SMは製造ばらつきにより兄弟SMよりもわずかに速くまたは遅く動作する。3000回の起動で平均すると、各ブロックインデックスは、それが配置されるSMの速度を反映した平均到着順位に収束する。

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

1回の実行から3つのチャネルが得られます:

  • P3、ブロック単位のランク。 ブロックインデックスごとの平均到着スロット。これはカーネルの数値出力のみから読み取られます:%smid も、タイマーも、特権カウンターも不要です。これが主要なチャネルです。
  • P2、SM単位のランク。 同じスロットを %smid レジスタ経由で物理SMごとにビン分けしたもの。物理SMによるビン分けは熱ノイズを平均化するため、P2は負荷時でも安定します:60秒間のフルロードストレス後でも100%の再識別(18/18)を達成します。
  • P1、周辺和。 固定されたリダクションのfloat32結果のヒストグラム。これは弱いです(8台のA40で1.20倍の分離)。なぜなら、合計することで順序情報の大部分が破壊されるからです。

チップ間の平均を差し引くことで、チップが共有するすべて(アーキテクチャ、ドライバ、コンパイラ)が除去され、ダイごとの残差が残ります。同じチップの2回の測定は近い値になりますが、異なるチップの測定はそうなりません。

クイックスタート

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

同梱データで解析を実行する(CPU のみ、GPU 不要):

python analysis/pooled_analyze.py      # 19 A40s: 111/112 = 99.1%
python analysis/analyze_puf.py "a40_8chip/*.json"   # 8 A40s: P3 100%

GPU でプローブを実行する:

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

同じモデルの2台以上のGPUからそれぞれ複数のレプリケートを収集し、次に:

python analysis/analyze_puf.py "path/to/*.json"

各JSONレコードには、GPU UUID、ドライバ、cupyのバージョン、および測定値と並んでエポックごとのクロックと温度が記録されます。分析ではモデル名でグループ化し、チップをUUIDでラベル付けします。

SSH経由でリモートマシン上で実行するには、scripts/run_remote.shがプローブをプッシュし、複数のホストで並列に実行してJSONを収集します:

OUT_DIR=data/my_run REPS=4 scripts/run_remote.sh probe gpu1=root@HOST1:PORT gpu2=root@HOST2:PORT

docker/Dockerfile は CUDA 12.8、cupy、およびプローブをプリインストールしたイメージをビルドします(docker build -f docker/Dockerfile -t gpu-instance-fingerprint .)。

各結果の再現

すべてのコマンドは CPU 上でリポジトリのルートから実行します。スクリプトは各自で data/ 内のデータを見つけます。

結果コマンドデータ
8 台の A40: P3 100%(4.09x、p=0.0005)、P2 94%(4.63x)、P1 28%(1.20x)python analysis/analyze_puf.py "a40_8chip/*.json"data/a40_8chip(8 チップ x 4 回反復)
同一ドライバの 4 台の A40: P3 100%(6.10x)、P2 100%(5.43x)python analysis/analyze_puf.py "a40_8chip/puf8_[4678]_*.json"data/a40_8chip
プール: 12 チップ 98.6%(71/72)、19 チップ 99.1%(111/112)、4.28x、チップペアの 97% がチップ内ノイズの 2 倍超で分離python analysis/pooled_analyze.pya40_8chip、a40_stability(T1)、a40_reboot(T1)、a40_scale
再起動: P3(マージン 5.07x)と P2(マージン 5.03x)で 100% 再識別(12/12)python analysis/temporal_analyze.py a40_rebootdata/a40_reboot(4 チップ)
60 秒ストレス: ベースライン LOO 96%(23/24)、再識別 P2 100%(18/18)python analysis/temporal_analyze.py a40_stabilitydata/a40_stability(6 チップ)
RTX 3090 x7、RTX 4090、3090 ペア、L40S ペアpython analysis/cross_model_analyze.pydata/rtx3090、data/rtx4090、data/cross_model
パッシブ index_add(K=65536、K=4096)、デンス対照、scatter-overwritepython analysis/passive_analyze.pydata/passive_*
ROC とビット容量python analysis/roc_capacity.pyすべての A40 プローブデータ、passive_k4096、passive_k65536、rtx4090
偽造: 最良の偽造 0.616 対 真正 0.946(下限 0.916)、なりすまし 0.174python analysis/forge_analyze.pydata/forge(3 台の A40)
Transformer 境界と決定論モードのコストpython analysis/leak_analyze.pydata/transformer_leak(3 台の A40)
TF32 matmul と DVFS 境界python analysis/channel_analyze.pydata/channels(3 台の A40)
パッシブチャネルに対する防御python analysis/defense_analyze.pydata/defense(2 台の A40)

analysis/analyze_puf.py はチャネルごとに 2000 回のシャッフル置換検定を実行するため、大きなセットでは数分かかります。

ビット容量と ROC

単一測定のすべてのペアがスコアリングされ(真正 = 同一 UUID、なりすまし = 異なる UUID)、登録時の平均化は行わないため、これらは悲観的な単発動作点です。自由度は iris 方式で、なりすましハミング距離に対して DoF = p(1-p)/var(HD) と計算されます。

シグネチャペアスコアAUCEER容量
アクティブ P3、19 台の A40644 真正 / 9367 なりすまし残差相関0.9749.3%(d' = 2.95)
アクティブ P3、19 台の A40符号ハミング0.84726.9%~5 ビット
パッシブ K=4096、8 台の A40符号ハミング0.87821.0%~97 ビット
パッシブ K=65536、6 台の A40符号ハミング0.95211.1%~217 ビット
パッシブ K=65536、3 台の RTX 4090符号ハミング0.0%~239 ビット

アクティブチャネルは残差相関を通じて読むのが最適です。その符号パターンは空間的に相関しているため、同一性は大きさの中に存在します。パッシブ符号シグネチャは長いビット列のように振る舞い、その容量は K とともに増加します。K=65536 では約 200 以上の独立ビットとなり、非常に大規模なフリートをインデックス化するのに十分です。

パッシブ攻撃: 素の torch.index_add_

アクティブプローブはカスタムカーネルの実行を必要とします。パッシブ版は、標準の PyTorch 演算の通常の出力以外は何も読み取りません。

CUDA 上の torch.index_add_ はアトミック演算で累積するため、各出力ビンに寄与が到着する順序はハードウェアが決定します。通常のデンス領域(ビンあたり多数の寄与)では、float32 の和がその順序を平均化してしまいます。256 ビンへの 2^20 個の寄与では、すべての特徴がチャンスレベルで分類されます(6 台の A40 で統合 17% 対チャンス 17%)。解決策はスパースで高ダイナミックレンジな領域です:

  • ビンあたり 4 個の寄与、K ビン(デフォルトで K=65536)
  • 大きさは 2^-30 から 2^30 にランダムな符号を付けて分散させ、各ビンの float32 和が加算順序に支配されるようにする(壊滅的な桁落ち)
  • 固定シード、すべてのチップで同一の入力

各チップの安定したアトミック順序付けにより、安定した出力が得られます。シグネチャは、float64 リファレンスに対する平均 ULP 残差のビンごとの符号であり、K ビットの文字列です。

pip install numpy torch
python probes/passive_index_add.py 0 65536 > passive_r0.json   # replicate 0, K=65536
ツールをダウンロード

人気

すべて見る →

コミュニティで最も使われているツールを見つけましょう。

まだ人気データがありません。

すべてのツールを探索

ツールコレクションを閲覧

すべてのツールを見る →