Ученые из Университета Джорджии и Техасского университета впервые продемонстрировали атаку Rowhammer на видеокарту Nvidia A6000 с памятью GDDR6. Их эксперимент показал, что ошибки в видеопамяти могут резко снизить точность нейросетевых моделей — с 80% до менее 0,5% всего за восемь попыток.
Эффект Rowhammer возникает, когда интенсивное считывание одной строки памяти вызывает сбои и изменение бит в соседних строках. Ранее считалось, что видеопамять GPU, особенно в мощных картах вроде A6000, устойчива к таким атакам. Новая методика GPUHammer обходит защиту и целенаправленно изменяет весовые коэффициенты нейросетей, хранящиеся в видеопамяти.
Из-за высокой плотности современных микросхем многократное чтение или запись одной строки провоцирует электрические помехи, меняющие биты в соседних ячейках. Эти искажения могут затронуть любые данные — числа, инструкции или параметры нейросети.

Для атаки специалисты использовали особенности многопользовательской работы видеокарт в облачных сервисах. Получая контроль над размещением данных в памяти, злоумышленник может разместить свои данные рядом с элементами другого приложения, например, библиотеки PyTorch. Это позволяет вызвать сбои в обученной модели, не вмешиваясь в её код напрямую, используя один и тот же GPU на сервере или в облаке.
Особенный риск представляют модели с 16-битной точностью (FP16). Изменение одного бита в этом формате способно кардинально исказить вес и снизить качество предсказаний. В одном из случаев точность распознавания изображений на наборе ImageNet упала с 72% до всего 0,08%.
Кроме того, современные алгоритмы управления памятью, направленные на повышение производительности, словно сами открывают дверь для таких атак. Например, Rapids быстро перераспределяет освободившиеся участки, что увеличивает шансы злоумышленника точно расположить свои данные рядом с чужими.
Исследователи отмечают, что системы с поддержкой коррекции ошибок ECC способны сдержать такую атаку. Но зачастую эту защиту отключают из-за потери в производительности — в случае A6000 включение ECC замедляет машинное обучение на 3–10%.
Уязвимость актуальна в том числе для общих графических сред, таких как облачные игровые платформы, ИИ-кластеры и VDI-конфигурации, где на одном оборудовании работают несколько пользователей. Риск распространяется на видеокарты архитектур Ampere, Ada, Hopper и Turing, широко используемые в рабочих станциях и серверах. Nvidia уже опубликовала список подверженных моделей и рекомендует включать ECC там, где это возможно.
В дальнейшем авторы намерены проверить атаки на другие видеокарты с памятью HBM и GDDR7, а также разработать программные и аппаратные средства защиты от Rowhammer для GPU.






