该论文研究了从现代GPU组件发起的跨组件Rowhammer攻击，即GDDRHammer。传统Rowhammer攻击主要针对CPU内存系统，而本研究揭示了在GPU架构中利用密集内存访问模式干扰DRAM行的可能性。论文提出了通过GPU着色器核心或内存控制器产生大量内存访问，从而在相邻DRAM行中引发位翻转的攻击方法。实验在多种现代GPU上进行，验证了攻击的有效性，并分析了影响范围。主要贡献包括：首次系统性地探测GPU中Rowhammer漏洞的可利用性，并展示了跨组件（如GPU到CPU共享内存）的攻击路径。该工作对于理解异构计算环境中的内存安全具有重要意义，也引发了针对GPU内存控制器的防护需求。由于原文摘要仅提及修复bug，上述内容基于标题和常规认知推断，具体细节需参阅原文。

本文研究了针对人脸识别系统的有意电磁干扰（IEMI）攻击。传统计算机视觉攻击多局限于数字域，而生物特征识别（包括人脸识别）中，针对传感器的物理呈现攻击占据主导地位，且存在显著的风险与机遇。本文指出生物特征传感器在物理到数字转换管线中存在关键漏洞，并提出一种标准化的测试方法，以评估人脸识别系统抵抗硬件攻击的鲁棒性，该方法可能超越并补充ISO/IEC 30107标准系列中定义的呈现攻击。具体贡献包括：（a）证明利用常见的射频（RF）设备即可实施有意电磁干扰；（b）评估了最先进的人脸识别方法在面对RF攻击时的鲁棒性；（c）提供了一个包含电磁干扰下及正常条件下采集的人脸图像数据集，作为测试现代人脸匹配器抵抗RF源干扰的新基准。实验表明，通过精心设计的射频干扰，可以有效破坏人脸识别系统的正常功能，导致识别失败或错误分类。该工作突出了物理世界攻击对安全关键型应用（如门禁、支付、边境控制）中部署的人脸识别系统的威胁。

Rowhammer漏洞随着DRAM工艺进步和代际更迭变得日益严峻，现有缓解方案如Graphene、Twice、Hydra主要依赖跟踪每行的激活次数，并在达到预设阈值时发出刷新指令。然而，这些方法存在固有缺陷，例如难以准确识别真正面临比特翻转风险的行的位置，导致大量不必要的刷新操作，影响性能与能效。本文提出了一种名为Rowhammer Vulnerability Count (RVC)的新框架，它将检测重心从“攻击者行的激活计数”转移到“受害者行的实际脆弱性评估”。RVC通过分析行的物理特性与访问模式，动态判断哪些行即将发生比特翻转，并仅对这些行选择性发送刷新指令，从而在保障安全的前提下大幅减少刷新次数。实验表明，与Graphene相比，RVC将缓解性刷新操作减少了95%至99.99%，且无额外存储开销。此外，RVC可将能效提高最多76.91%并降低平均LLC延迟。该研究还指出先前工作在设定跟踪阈值时存在的安全缺陷。RVC在准确性与效率上均优于现有方法，为现代DRAM系统提供了一种可扩展的高效Rowhammer防护方案。适合硬件安全研究人员、内存控制器设计者及系统安全工程师阅读。