#amd-sev

共收录 3 条相关安全情报。

← 返回所有主题
👥 作者: Mathias Oberhuber, Martin Unterguggenberger, Martin Wistauder, Andreas Kogler, Rishub Nagpal, Stefan Mangard

本文提出了一种名为 PowerHooK 的新型侧信道攻击技术,旨在针对 AMD SEV(安全加密虚拟化)技术实现基于软件的电能侧信道泄露。AMD SEV 系列(包括 SEV、SEV-ES 和 SEV-SNP)被广泛用于保护云环境中的虚拟机隔离,但其硬件设计仍可能受到瞬态执行攻击的影响。作者发现,通过瞬态执行重放(transient-execution replay)技术,攻击者可以在虚拟机内部诱导微架构层面的瞬态行为,从而在不依赖物理功耗测量(如板载电压调节器或示波器)的情况下,将功耗相关的信号转化为可观测的软件侧信道。核心方法利用了 AMD 处理器中某些指令的功耗差异与数据值之间的关系,并通过重放瞬态执行路径来放大这些差异,最终提取加密操作(如 AES、RSA)的密钥信息。实验在多个 AMD EPYC 平台(包括支持 SEV-SNP 的最新一代)上验证了攻击的有效性,展示了从 SEV 保护的虚拟机中恢复密钥的完整流程。该研究揭示了即使是最新的硬件级隔离机制,仍可能因微架构功耗侧信道而面临泄露风险。文章还探讨了可能的缓解策略,例如指令级随机化、功耗均衡或对瞬态执行窗口的改进限制。论文适合关注硬件安全、虚拟化安全、侧信道攻击与防御的研究人员及云服务提供商的安全工程师阅读,以理解当前 SEV 技术尚未完全解决的物理侧信道问题。

💡 推荐理由: 该研究展示了最新的 AMD SEV-SNP 也能被软件功耗侧信道攻击突破,对云安全隔离构成实际威胁,帮助防御者理解硬件防护的盲区,并推动更全面的安全评估。

🎯 建议动作: 研究跟进

排序因子: 有可用补丁/修复方案 (+3) | 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
👥 作者: Mengyuan Li 0004, Yinqian Zhang, Huibo Wang, Kang Li, Yueqiang Cheng

该论文提出了一种名为CIPHERLEAKS的新型侧信道攻击,针对AMD SEV(安全加密虚拟化)环境中运行的常数时间密码实现。传统上,常数时间密码算法被认为能有效防御基于执行时间的侧信道攻击,但CIPHERLEAKS通过分析加密输出的密文本身来泄露密钥信息。攻击者以恶意虚拟机身份运行在同一物理主机上,通过监控目标虚拟机加密操作产生的密文,利用密文中的微小统计差异(如比特分布、模式等)来逐步恢复密钥。论文在真实的AMD SEV平台上实施了攻击,成功破解了多种常数时间密码实现(如AES、RSA等),验证了攻击的可行性和效率。研究还分析了攻击的多种变体,包括不同密文长度和加密模式下的影响。实验表明,该攻击能够在合理时间内恢复完整密钥,且对系统性能影响较小。论文最后讨论了潜在防御措施,如引入随机化填充、限制密文可观察性等,但指出在现有SEV架构下完全防御仍有挑战。该研究首次揭示了通过密文侧信道攻击虚拟化环境中常数时间密码的新路径,对云计算安全具有重要警示意义。

💡 推荐理由: 该研究首次证明即使采用常数时间实现,在AMD SEV虚拟化环境下仍可通过密文侧信道泄露密钥,打破了传统安全假设,对依赖SEV保护敏感数据的云服务构成新威胁。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.4)
👥 作者: Muyan Shen, Yu Qin

本文针对AMD EPYC Milan处理器的SEV-SNP安全架构,提出了一种纯软件的攻击链,能够提取硬件根种子并伪造认证报告。SEV-SNP通过版本化芯片背书密钥(VCEK)签名认证报告来防止TCB版本回滚攻击,而VCEK由硬件根种子与TCB版本共同派生。作者首先提出了MilanLaunchy攻击,在AMD安全处理器上实现代码执行;在此基础上,进一步利用熔丝控制器缺乏写入限制的漏洞,实现了BadFuse攻击,提取硬件根种子。该端到端攻击链允许攻击者为任意固件版本伪造有效的认证报告,从而彻底瓦解SEV-SNP的安全模型。实验验证了攻击的可行性,并揭示了硬件安全机制的设计缺陷。

💡 推荐理由: 该研究揭示了AMD SEV-SNP信任链的底层缺陷,攻击者可通过纯软件手段提取硬件根密钥,导致云环境中加密虚拟机认证机制完全失效,对机密计算安全性构成严重威胁。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)