Efficient Cross-layer Security against Advanced Threats in Emerging Computing Systems

Mit dem raschen Fortschritt aufstrebender Computersysteme wie IoT, Cloud und Edge Computing werden traditionelle Sicherheitsmaßnahmen zunehmend herausgefordert. Diese moderne Umgebung erfordert robuste und effiziente Sicherheitsstrukturen sowie innovative Erkennungsmechanismen, was zu einer komplexen Sicherheitslandschaft führt. Aufstrebende heterogene Rechenumgebungen werden zunehmend eingesetzt. Moderne IoT- und KI-Computersysteme nutzen heterogene Ressourcen wie GPUs und benutzerdefinierte Hardware-Beschleuniger, um verschiedene Anwendungen, z.B. maschinelles Lernen und Datenverarbeitung, zu verbessern. ... mehrDennoch bestehen weiterhin Bedenken hinsichtlich der Sicherheit und des Datenschutzes, insbesondere durch neue Angriffsvektoren wie Seitenkanäle und verdeckte Kanäle. Diese Dissertation konzentriert sich darauf, diese neuen Bedrohungen zu identifizieren und effiziente Erkennungsmechanismen sowie Gegenmaßnahmen zu entwickeln, um die Sicherheit dieser aufstrebenden Systeme bei minimalen Leistungseinbußen zu gewährleisten. Diese Dissertation stellt drei wesentliche Beiträge zur Bewältigung dieser Herausforderungen vor.

Mit der Verbesserung der Rechenleistung aufstrebender Systeme finden Angreifer ständig neue Wege, das System zu kompromittieren. Der erste Beitrag befasst sich mit der Aufdeckung neuer Angriffe auf diese aufstrebenden Systeme. Dazu gehören vier neue Arten von
Angriffen durch verdeckte Kanäle, die verschiedene Hardware- und Software-Ressourcen in einer schichtenübergreifenden Weise nutzen. Der erste Angriff verwendet die Temperatur der GPU, um Informationen zu leaken. Die zweite Technik führt einen Verschleierungsmechanismus für CPU-basierte thermische verdeckte Kanäle ein, der herkömmliche Erkennungstechniken überwindet. Der dritte Angriff nutzt den Speicherverbrauch, um einen verdeckten Kanal von einer virtuellen Maschine zu einem Host-System aufzubauen. Der letzte Angriff nutzt zum ersten Mal einen gutartigen Hardware-Beschleuniger in einem FPGA-MPSoC, um Informationen verdeckt von einer Trusted Execution Enviroment (TEE) an ein Betriebssystem in der normalen Welt zu übertragen, wodurch das Isolationsprinzip der TEE verletzt wird.

Der erste Schritt zur Bewältigung dieser neuen Bedrohungen besteht in den Erkennungsmechanismen. Da Angriffe neue Ressourcen nutzen oder aktiv versuchen, sich zu verbergen, müssen Erkennungstechniken an die verbesserte Bedrohung angepasst werden. Der zweite Beitrag schlägt zwei Erkennungsmechanismen vor, die ML-Techniken verwenden. Die erste Erkennungstechnik führt einen überwachten Lernansatz ein, um thermische verdeckte Kanäle durch die Nutzung von CPU-Leistungsinformationen über die Zeit als Eingabe zu erkennen. Der zweite Erkennungsansatz ist ein auf unüberwachtem Lernen basierendes Framework zur allgemeinen Anomalieerkennung, das im Kontext der dynamischen Integritätsüberprüfung und der Remote Attestation (RA) verwendet wird. In beiden Ansätzen wird das Ziel der Bedrohungserkennung durch das Bestreben ergänzt, den damit verbundenen Overhead im System zu minimieren. Der Ausgleich zwischen Sicherheit und Leistung ist ein zentrales Thema in den Beiträgen.

Während die Erkennungstechniken für diese neuen Angriffe Fortschritte bei der Bewältigung der Bedrohungen gemacht haben, erfordert die Lösung des Problems potenzieller Angreifer Maßnahmen. Einfache Lösungen, die darauf abzielen, verdächtige Anwendungen zu stoppen, sind möglicherweise nicht praktikabel oder könnten erhebliche Dienstunterbrechungen im System verursachen. Der dritte Beitrag vertieft sich in effiziente und zugleich effektive systemweite Ansätze, um verdeckte und Seitenkanäle anzugehen. Die erste Gegenmaßnahme beinhaltet eine heuristikbasierte Technik zur Migration von Anwendung, um cachebasierte Seitenkanäle zu bekämpfen. Die zweite zielt auf GPU-basierte thermische verdeckte Kanäle ab, indem eine verbesserte Heuristik für DVFS sowohl auf eingebetteten als auch auf allgemeinen Geräten genutzt wird. Schließlich kombiniert die dritte Gegenmaßnahme DVFS und Migration von Anwendung mit sowohl Heuristiken als auch ML-Algorithmen in einer ganzheitlichen und systeminformierten Weise, um auf dem Leistungsverbrauch basierende verdeckte Kanäle effizient aus einer Energie- und Performance-Aspekte zu bekämpfen.

With the rapid advancement of emerging computing systems such as Internet of Things (IoT), Cloud, and Edge Computing, traditional security measures are being challenged. This modern setting requires robust and efficient security frameworks alongside innovative detection mechanisms, leading to a complex security landscape. Emerging heterogeneous computing environments are increasingly being deployed. Modern IoT and AI computing systems lever-age heterogeneous resources such as Graphics Processing Units (GPUs) and custom hardware accelerators to enhance various applications, e.g., machinelearning and data processing. ... mehrHowever, security and privacy concerns persist,especially with new attack vectors such as side and covert channels. This dissertation focuses on identifying these new threats and developing efficient detection mechanisms as well as countermeasures to ensure security with minimal performance impact on these emerging systems. This dissertation proposes three main contributions to address these challenges.
As the computing capabilities of emerging systems improve, attackers continuously find new ways to compromise the system. The first contribution deals with unveiling new attacks on these emerging systems. For this, it includes four new types of covert channel attacks that leverage different hardware and software resources in a cross-layer manner. The first attack employs the temperature of the GPU to leak information. The second technique introduces an obfuscation mechanism to CPU-based thermal covert channels that defeats traditional detection techniques. The third attack leverages memory usage to establish a stealth channel from a virtual machine to a host system. The last attack exploits a benign hardware accelerator in an FPGA-Multi ProcessorSystem on Chip (MPSoC) for the first time to covertly transmit information from a Trusted Execution Environment (TEE) to a Normal World operating system, hence breaking the isolation principle of the TEE.
The first step in addressing these new threats is the detection mechanisms.Since attacks leverage new resources or actively seek to hide themselves,detection techniques need to adapt to the improved threat. The second contribution proposes two detection mechanisms that employ Machine Learning(ML) techniques. The first detection technique introduces a supervised learn-ing approach to detect thermal covert channels using CPU performance information over time as input. The second detection approach is an unsupervised learning-based framework for general anomaly detection used in the context of dynamic integrity verification and Remote Attestation (RA). In both approaches, the goal of detecting the threat is complemented by the need to minimize the associated overhead in the system. The trade-off between security and performance is a major theme in the contributions.
While the detection techniques for these new attacks have advanced in ad-dressing the threats, the solution to the problem of potential attackers requires action. Straightforward solutions that seek to stop the suspicious applications might either not be feasible or could produce significant service disruption in the system. The third contribution delves into efficient-yet-effective system-level approaches to target covert and side channels. The first countermeasure involves a heuristic-based task migration technique to combat cache-based side channels. The second targets GPU-based thermal covert channels by leveraging an improved heuristic for Dynamic Voltage and Frequency Scaling (DVFS) on both embedded and general-purpose devices. Finally, the third countermeasure combines DVFS and task migration with both heuristics and ML algorithms in a holistic and system-informed manner to combat power-based covert channels efficiently from an energy and performance perspective.