导读本文介绍GAGE利用Arm CCA中的现有硬件安全特性来确保敏感数据的安全性支持GPU加速的机密计算在实际平台上的平均性能开销仅为 2.45%在保持高性能的同时提供了良好的数据安全保护且其设计不依赖硬件修改具有较好的兼容性。原文链接CAGE: Complementing Arm CCA with GPU Extensions - NDSS SymposiumCAGE: Complementing Arm CCA with GPU Extensions一、背景介绍随着云计算和人工智能应用的快速发展机密计算成为保障敏感数据安全的重要技术之一。Arm 推出了 Confidential Compute Architecture (CCA)通过引入 realm 和 RMMRealm Management Monitor来确保数据的机密性与完整性支持在隔离环境下执行敏感任务。GPU在现代高性能计算和人工智能领域应用广泛但现有的 CCA 设计并未对统一内存架构下的GPU 提供可信支持。此外现有解决方案需要对虚拟机管理程序进行重大修改并且很多依赖于不适用于未来Arm设备的硬件安全原语。为了支持 GPU 加速的机密计算CAGE 提出了一种创新的方案利用 Arm CCA 中的现有硬件安全特性来确保敏感数据的安全性保护 GPU 计算环境。二、现状分析目前Arm CCA 在GPU加速方面存在以下问题GPU 被视为不可信外设在 Arm CCA 中GPU 默认被认为是不可信的外设无法对其进行保护这意味着敏感数据在 GPU 上的计算过程中可能被泄露。缺乏硬件和固件支持虽然 Arm 提出了 RME-DADevice Assignment for Realm Management Extensions来支持GPU但其仍处于概念阶段尚未完成硬件实现。现有方案不可移植或需要修改硬件如 RME-DA 和 ACAI 依赖于修改硬件或大规模修改 hypervisor 软件难以与现有 Arm 设备兼容。现有的 TEE 方案如 StrongBox 和 HIX虽然能够为 GPU 提供支持但由于它们依赖于与 CCA 不兼容的硬件安全原语或存在较大可信计算基础TCB因此不适合直接扩展到 Arm CCA中。三、应对设计为支持在下一代Arm设备上进行安全的机密GPU计算CAGE 提出了以下设计目标兼容性CAGE 设计遵循 Arm CCA 的 realm 架构管理机密 GPU 计算任务。CAGE必须将复杂但与数据无关的功能委托给不可信的GPU软件栈并确保数据安全。数据安全性确保 GPU 计算过程中数据的机密性与完整性防止来自特权软件和未授权外设的攻击。性能优化在不显著增加性能开销的前提下保证 GPU 计算任务的顺利执行。无需硬件修改CAGE 利用 Arm CCA 和 GPU 中的现有硬件特性不需要对硬件进行修改。基于以上目标和 Arm CCA 的现有硬件安全特性CAGE提出了关键观察和相应的解决方案。首先CAGE 利用 Arm CCA 中的 Granule Protection Check (GPC) 技术保护 GPU 计算过程中的数据安全。GPC 允许灵活地隔离和保护 CPU 和外围设备上的计算确保数据在传输和处理过程中的安全性。CAGE 的安全模块部署在 root world Monitor 中通过硬件隔离确保 GPU 计算免受不可信软件如操作系统、虚拟机管理程序、以及安全世界组件和外设的影响。其次CAGE 通过 shadow task 机制将 GPU 软件栈中的非敏感任务如内存分配和任务调度与敏感数据分离。GPU 软件负责任务调度但不会直接访问敏感数据。任务调度的核心功能如内存分配、任务排序等由不可信的 GPU 软件处理而真实的敏感数据在Realm中进行处理确保数据的机密性。四、技术解析CAGE 通过 shadow task 机制和 GPC 技术有效解决了 GPU 数据安全问题。4.1 Shadow Task 机制CAGE 引入了 shadow task 机制以减少性能开销和保护敏感数据。具体流程如下初始化与任务创建用户提供 GPU 任务代码和数据缓冲区描述GPU 软件在主机上创建 stub 任务此时数据不包含敏感信息。任务替换与执行当任务被提交到 GPU 时Monitor 会将 stub 任务替换为真实任务并将敏感数据填充到GPU任务缓冲区。任务执行前Monitor 会验证数据完整性和任务代码。环境恢复任务执行完成后Monitor 会清理 GPU 环境确保下次任务的安全执行。4.2 GPU环境保护与内存隔离CAGE 使用 GPC 技术为 GPU 提供内存隔离确保 GPU 计算环境的安全。GPU 使用 GPU GPT 来保护其内存访问确保每个 realm 拥有独立的内存视图防止其他 realm 或未授权外设访问其内存区域。通过为每个 realm 配置独立的 GPU GPTGPU 只访问该 realm 授权的内存区域确保了 GPU 执行环境不被未授权的软件访问。4.3 GPT 维护与优化CAGE 对 GPT 维护进行了优化减少了多重 GPT 同步带来的性能开销。通过共享一个 子级 GPT减少了 CPU 和外围设备 GPT 的同步开销。此外CAGE 从 GPU GPT 模板 创建每个 realm 的 GPU GPT减少初始化时的性能开销。五、验证评估CAGE 通过功能性原型和性能原型进行了验证评估结果如下安全性评估CAGE 防护了来自未授权软件、恶意 GPU 任务和外设的攻击确保 GPU 计算中的敏感数据不会泄露。性能评估通过在 Arm FVP 模拟器 和 Juno R2 开发板 上进行实验CAGE 展示了较低的性能损失。得益于其优化的 GPT 维护机制和 GPU 环境保护机制CAGE 在实际平台上的平均性能开销仅为 2.45%在保持高性能的同时提供了良好的数据安全保护且其设计不依赖硬件修改具有较好的兼容性。六、结论总结CAGE 通过创新的 shadow task 机制和 GPC 技术成功为 Arm CCA 提供了 GPU 加速支持同时保证了 GPU 计算过程中的数据安全性。其设计无需硬件修改能够兼容未来的 Arm 设备并且性能开销仅为 2.45%实现了机密 GPU 计算的高效性。CAGE 与现有的 GPU TEE 方案相比在硬件兼容性、性能和数据安全性上展现了明显优势。本账号发布内容均为原创欢迎转载转载请注明出处。更多资讯请移步【机密计算前沿技术】服务号欢迎交流
