该论文研究 GPU 显存（GDDR）上的 Rowhammer（行锤）攻击可行性问题。Rowhammer 指通过高频反复访问某一行内存，使相邻存储单元的电荷发生干扰并最终导致位翻转，进而可用于数据篡改与权限提升。背景与核心问题是：尽管 GPU 显存同样存在该风险，但此前针对 GPU 的 Rowhammer 攻击只能触发几十到几百次位翻转，比 CPU 平台上的攻击结果少几个数量级，实用价值因此被认为非常有限。作者指出这一差距的根本原因是：现有 GPU 攻击依赖“均匀”敲击模式，即在访问模式中攻击行（aggressor）与诱饵行（decoy）被同等频率地激活，导致真正需要被反复激活的攻击行敲击强度不足（GPU 的访存合并机制天然倾向于把访问均摊）。提出的方法 GPUThor 采用“非均匀敲击”：首先逆向分析 GPU 的访存合并（memory-access coalescing）行为，据此构造能让攻击行获得远高于诱饵行激活强度的访存模式；其次识别 DRAM 刷新时序，即片内缓解措施（in-DRAM mitigation）在每个刷新区间内生效的窗口，构造跨越多个刷新间隔的长模式以规避该缓解措施，从而进一步提高有效敲击强度。两条技术结合后，在 NVIDIA A4000、A4500、A5000、A6000 等多款 GPU 上实现的位翻转数量比先前 GPU Rowhammer 攻击高出 500 倍到 23,500 倍，翻转率已接近最先进的 CPU Rowhammer 攻击水平。更重要的是，论文报告了首次在启用 ECC 的 GPU 上实现的 Rowhammer 利用：通过诱发不可纠正的双位与三位翻转，使拒绝服务与权限提升在开启 ECC 保护的 GPU 上同样具备现实可行性。整体而言，这是一项硬件安全方向的系统性研究工作，涵盖威胁建模、微架构逆向、模式构造与跨型号实验验证，适合硬件安全、云 GPU 平台与虚拟化隔离方向的研究人员和防御工程师阅读。

该论文针对安全关键实时系统中DRAM RowHammer硬件计数型防御机制（以PRAC为例）对时间可预测性的影响展开研究。安全关键实时系统必须同时满足时间确定性与安全性，任务执行时间需有严格上界（WCET）。然而，RowHammer防御（如DDR5标准中的PRAC）在引入后会造成额外的访存延迟，现有评估仅关注平均性能，忽视了最坏情况下对实时任务时序的破坏。作者通过仿真证明，攻击者可以刻意操纵PRAC计数器的内部状态（例如频繁激活特定行）来触发防御机制的刷新与计数阈值，从而显著延迟受害任务的执行，使其超过既定WCET，甚至达到WCET的200%。论文将这种跨域干扰攻击命名为JENGA，并基于gem5与Ramulator 2.0仿真环境在TACLeBench工作负载上量化其影响。为修复该问题，作者推导了一个可安全集成到WCET分析中的解析上界公式，该公式考虑了硬件计数防御（如PRAC-N）带来的最坏情况延迟。该研究打破了过去将RowHammer防御视为“透明”安全补丁的假设，揭示出安全机制本身可成为侧信道攻击面。适合实时系统设计者、WCET分析工具开发者及安全研究员阅读。

本文提出 JITterFlip，一种针对基于 GPU 的 LLM 推理服务中 host-side JIT 编译控制平面的比特翻转攻击（BFA）。现代云上 LLM 推理服务普遍使用 JIT 编译来降低框架与 GPU 启动开销，因此引入了宿主机侧的控制平面——该平面负责选择编译产物并调度其在 GPU 上执行。已有 BFA 大多直接篡改模型参数/权重，依赖模型特定知识；少数针对可执行代码的攻击也仍局限于修改直接实现模型计算的代码，效果仅限于耗尽推理或降低模型质量。JITterFlip 开辟了新的攻击面：它翻转 CPU 驻留的 JIT 服务决策数据/分支代码，而非模型计算本身，从而既能触发乱码输出，又能实现保持正确输出的“海绵攻击”（通过大幅增加延迟消耗服务资源）。为了在庞大 JIT 编译器栈中定位可利用目标，作者设计了决策引导的故障脆弱代码分析。在四种文本和多模态 LLM 负载上，识别出的脆弱代码具有跨模型可迁移性，乱码输出的困惑度比（PPL ratio）可达 15.45 倍至 2.48×10^6 倍，海绵攻击的延迟放大为 2.03 倍至 181.90 倍。同时，JITterFlip 能绕过近期提出的多种 BFA 防御。端到端结果表明，利用 Rowhammer 在四个 LLM 上只需单个 CPU 驻留分支代码比特翻转即可跨 CPU-GPU 边界传播，无需直接访问 GPU 内存，实现最高 7.23×10^6 倍 PPL 放大或 124.97 倍延迟放大，且保持生成的输出完全正确。论文揭示了 JIT 服务控制平面这一新攻击面，对共享云环境中的 LLM 推理服务安全构成潜在威胁。

这篇论文重新审视了工业级 Rowhammer 缓解方案的安全性与复杂度，重点聚焦内存控制器（MC）层面的防护设计。Rowhammer 攻击利用 DRAM 单元的高密度电容耦合，通过频繁访问同一行导致相邻行数据翻转，是近年来内存安全的核心威胁之一。缓解方案需要在追踪存储开销与减缓命中率之间取得平衡：精确追踪器（如 Misra-Gries）能避免不必要的减缓，但需要大容量 CAM 结构；而采样类方案（如 PARA）无需额外存储，却在无攻击时也频繁触发减缓。微软在其 Azure Cobalt 200 SoC 中部署了 Sigries，该方案将欠配置的 Misra-Gries 追踪器与行采样回退机制结合。微软认为追踪器向采样模式切换可能不安全，但声称反向切换（采样到追踪）总是安全的。然而作者分析表明，该反向切换同样存在漏洞，并提出跨子库的轮询（Round-Robin）攻击，可使 Sigries 的平均失效时间（MTTF）降至约 1 秒，比 PARA 的 13 年低 8 个数量级。此外，Sigries 还受困于 CAM 复杂性和高存储开销。为此，论文提出 FiRM（Filtered Rowhammer Mitigation），其核心洞察是：安全设计不应独立配置追踪模式和采样模式，而应协同设计，确保系统在两种模式以及模式转换期间均保持安全。FiRM 对良性负载无性能损失，因为未超过过滤阈值；同时用简单 SRAM 过滤器替代复杂 CAM 追踪器。针对高强度压力模式，作者提出 FiRM-P（概率型）和 FiRM-D（确定型）两个变体：FiRM-P 在转换和稳态阶段使用不同概率，同时保障安全与低性能开销；FiRM-D 通过调节减缓速率提供确定性安全保证。两种变体的存储开销均低于 Sigries。论文表明，采用原则性方法可以同时规避 Sigries 的不安全性和复杂度。该研究对硬件安全、内存控制器设计、云数据中心防护具有重要参考价值。

本文提出一种名为 ROBBIN 的新型 Rowhammer 后门注入攻击方法，针对推理阶段深度学习模型的权重进行比特翻转。现有基于 Rowhammer 的推理时后门攻击在设计比特翻转策略时只停留在算法层面，未考虑底层 DRAM 硬件实际产生的比特翻转模式，导致算法构建的后门与硬件实现脱节，出现非预期位置的附带比特翻转，既降低触发输入的攻击成功率（ASR），也影响正常输入的测试准确率（TA），且在不同 DRAM 设备上性能波动显著。ROBBIN 的核心思想是将设备特定的漏洞特性纳入后门构建过程：首先刻画目标 DRAM 的比特翻转模式，然后利用该信息迭代选择模型权重的 DRAM 页映射，在 Rowhammer 攻击下最大化 ASR 同时保持 TA。与先构建硬件无关后门、再将附带翻转视为副作用的方法不同，ROBBIN 将每一次由锤击诱导的比特翻转都视为攻击设计的有机组成部分，从而生成跨设备鲁棒的后门。实验基于 ResNet-20 和 VGG-16 网络、CIFAR-10 数据集以及三款商用 DDR4 芯片，ROBBIN 一致地实现了接近 90% 的 ASR，同时将 TA 维持在 83% 以上，证明了在多种 DRAM 设备上可靠的后门有效性。该研究属于硬件安全与机器学习安全的交叉领域，主要贡献在于弥合算法级后门设计与硬件物理效应之间的鸿沟，为理解真实 Rowhammer 攻击提供了新视角。适合硬件安全研究员、AI安全工程师以及关注物理攻击威胁的防御者阅读。

该论文提出一个名为 Achilles 的形式化框架，用于系统评估和利用 Rowhammer 故障注入攻击从签名方案中泄露秘密。签名方案是网络安全基础设施的基础组件，虽然它们在数学上被设计为抗密码分析攻击，但易受 Rowhammer 硬件故障注入的影响。现有攻击大多针对特定签名方案的个别参数，缺乏通用性和系统性，因此 Rowhammer 对签名方案整体影响尚不明确。Achilles 框架描述了一个形式化流程：首先对广义签名方案 G-sign 的关键参数注入 Rowhammer 故障，然后进行故障后分析以恢复秘密。该框架不仅可用于已研究方案中寻找更脆弱参数，还能发现可能易受攻击的新方案。为验证其有效性，作者评估了六种签名方案，覆盖传统和后量子密码体系，基于不同数学问题，并分配了五个 CVE 以跟踪相应的 Rowhammer 漏洞。分析结果表明所有六种方案均被证明易受攻击，且为 EdDSA 识别出两个新的脆弱参数。此外，作者利用包括 wolfssl、relic 和 liboqs 在内的现代密码库，对其中三种方案成功实施了 Rowhammer 攻击。该研究的主要贡献在于提供一个系统化、形式化的框架来分析和评估签名方案的 Rowhammer 脆弱性，弥补了以往攻击的零散性，并揭示了硬件故障注入对密码实现的广泛威胁。

该论文首次系统研究了量化视觉-语言-动作（VLA）模型在权重位翻转攻击下的安全脆弱性。研究背景在于，VLA模型通常以INT8量化部署于边缘设备，而Rowhammer等硬件故障可导致模型权重中的比特位被翻转，从而破坏模型的决策行为。论文提出了一种基于梯度选择的高效位翻转攻击方法：仅需少量精心挑选的比特翻转即可使闭环任务成功率降至0%，而随机翻转数百个比特则几乎无影响。这一攻击不需要任何输入样本，仅针对模型权重。为了评估不同动作解码架构的影响，作者在四种模型变体、三种动作头家族上进行了实验。结果表明，关键比特集中在少数动作生成层中，但攻击所需的翻转预算严重依赖于动作头的类型：直接回归和token策略仅需1-5次翻转即可成功，而流匹配策略则需要约100-300次。作者进一步提出了一种固定方向的流形逃逸损失函数，将视觉-语言-动作模型（π₀）的攻击预算从约1000次降至约100次翻转，并通过五方向扫描证明攻击并非仅针对单一正方向。针对直接回归头，保护3.1%的权重可在K=100次翻转下保持60%的成功率，而保护5.3%的权重可将开环失效阈值从3次提升到100次。最后，在真实机器人上通过任务校准的模拟K=100次翻转实现了0/20成功，而干净模型为14/20，全局随机翻转则保持16/20。研究结论认为，权重完整性是具身基础模型的安全边界。该工作为VLA模型的安全部署提供了量化洞察，并为后续防御研究奠定了基础。

本文研究了 NVIDIA GPU 上的 Rowhammer 攻击如何实现权限提升。此前，GPU 上的 Rowhammer 攻击仅限于在受害者数据中注入比特翻转，例如破坏机器学习模型的权重以降低准确率，无法像 CPU 攻击那样实现权限提升。作者发现，利用 GPU 页表管理机制，可以定位页表分配的时间和位置，从而让非特权用户 CUDA 内核通过 Rowhammer 引发比特翻转，精准篡改 GPU 内存中的页表项。这一新原语允许一个进程访问其他进程或共租户的 GPU 内存，实现了首个 GPU 侧权限提升攻击。在此基础上，作者进一步展示了 GPU 侧提权可升级为 CPU 侧提权，绕过 IOMMU 保护，使恶意用户程序能够获得 root shell 和系统级控制，即使在非多租户环境中也有效。实验验证了攻击可泄露 cuPQC 库中的加密密钥，并能篡改模型的 GPU 汇编代码以更隐蔽地降级模型。该研究揭示了 GPU 安全隔离的严重脆弱性，对云和本地 GPU 基础设施构成威胁。适合硬件安全、系统安全和云安全研究人员阅读。

本文提出了一类新的非均匀 Rowhammer 访问模式，能够在生产环境中绕过 DRAM 内部专有的目标行刷新（TRR）机制。作者观察到，此前所有已发表的 Rowhammer 攻击模式都是均匀地锤击“攻击者”行，而这种均匀性恰好被 TRR 利用来识别攻击者行并在其邻近的“受害者”行发生错误之前进行刷新。随着半导体工艺节点缩小，DRAM 单元对干扰更加敏感，触发比特翻转所需的访问次数显著减少，因此探索不可预测的非均匀访问模式变得有价值。然而，非均匀模式搜索空间巨大。作者设计了实验来探索该空间，重点考察了攻击者行访问的顺序、规律性和强度对绕过缓解措施的影响。他们发现，在频域中随机化参数能够捕捉这些关键特征，并据此设计了 Blacksmith——一个可扩展的 Rowhammer 模糊测试器，可生成以不同相位、频率和幅度锤击攻击者行的模式。Blacksmith 在全部 40 条新购的 DDR4 DIMM 上成功触发了比特翻转，比现有最佳方法多覆盖 2.6 倍的设备，平均产生 87 倍的比特翻转数量。此外，作者还验证了这些模式在低功耗 DDR4X 设备上的有效性。通过 Blacksmith 的广泛分析，该研究为当前部署的 TRR 缓解措施的特性提供了新见解。作者总结道，经过近十年的研究和部署的 DRAM 内部缓解措施，Rowhammer 的威胁状况可能比其刚被发现时更为严峻。

该论文系统研究了DRAM读取干扰（Read Disturbance）现象，特别是RowHammer和RowPress两种导致未访问存储单元发生意外比特翻转的可靠性问题。当前学术界存在两条研究路径：实验表征（通过真实芯片测试统计翻转行为）和器件级建模（基于TCAD仿真或物理机制分析），但两者之间存在显著脱节——现有物理模型无法完全解释所有关键实验观测结果。作者首先识别并论证了现有器件级模型与实验表征在三个基本指标上的不一致性：（1）比特翻转方向（0→1或1→0）、（2）翻转比特数量、（3）触发首次翻转所需的最少攻击行激活次数（ACmin）。随后，论文提供了一套全面且严格的TCAD仿真方法，成功复现了实验表征中观察到的RowHammer和RowPress翻转特征。基于仿真结果，作者总结了更新的器件级错误机制，指出了显著影响仿真与实际芯片匹配度的关键建模参数，并讨论了对未来DRAM读取干扰表征方法学和缓解技术设计的影响。该工作旨在弥合实验与建模之间的鸿沟，为理解、表征和缓解DRAM读取干扰提供原理性基础。适合DRAM可靠性研究者、存储系统设计者以及硬件安全工程师阅读。

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。

该论文提出动态Rowhammer阈值管理（Dynamic Rowhammer Threshold Management），一种与具体防御方法无关的运行层，用于解决传统Rowhammer防御在制造时固定阈值（TRHD）而忽略运行温度变化的问题。作者观察到真实的Rowhammer阈值（TRHD）随温度升高而降低（即温度退化效应），因此设计了一个基于线性-T模型的运行时层，每个时间周期根据观测温度重新计算防御阈值，并引入基于VRD（Variable Rowhammer Degradation）的防护带g。该层通过每个防御方法的阈值参数将结果映射到SALT-C、PRAC和TRR等具体防御机制。为打破模型自洽性，作者采用一个解耦的oracle，按DIMM对物理TRHD缩放δ ~ N(1, σ)。实验结果显示：该运行层使PRAC在85°C下的72次陈旧性违规降至0；在σ=0.10时，扫描g使PRAC违规从38.4（g=1.0）降至9.6（g=0.9）；SALT-C的违规次数从默认静态的10次降至动态的2次，再降至引导（bootstrap）模式的0次，同时延迟开销≤5.1%。TRR受容量限制，该运行层主要起诊断作用。论文主要贡献在于提出一种轻量级、与防御无关的动态阈值管理方法，能有效应对温度变化对DRAM Rowhammer脆弱性的影响，并兼容现有主流防御方案。适合DRAM安全研究人员、计算机架构师和内存控制器设计者阅读。

HammerScope 是一项针对 Rowhammer 攻击的新研究，揭示了 DRAM 行锤击操作不仅导致比特翻转，还伴随可观测的功耗波动。论文首先分析了 Rowhammer 操作对 DRAM 芯片功耗的影响机制：重复激活（行锤击）使得存储单元漏电流增大，进而导致芯片的瞬时功耗上升。通过设计精密的测量电路（利用片上电压调节器或外部示波器感知电流变化），作者展示了攻击者可以在无需物理接触内存芯片的情况下，远程从 DRAM 功耗信号中泄露秘密信息。具体而言，攻击者通过构造特定的内存访问模式（如交替访问相邻行）引发目标行电荷泄露，同时从 DRAM 的电源引脚或系统主板上的供电节点测量功耗变化的幅度与频率。论文在不同 DRAM 型号（DDR3、DDR4）上验证了该方法的有效性，并实现了针对 RSA 解密过程中密钥位信息的推断——观察到功耗波形与算法中条件分支存在相关性，从而可以提取密钥。此外，作者讨论了现有 Rowhammer 防御措施（如 ECC、目标行刷新、内存加密）对功耗侧信道的局限性，并提出了基于功耗隔离或随机化访问序列的潜在缓解思路。实验结果表明，HammerScope 能够在数秒内以高准确率恢复 RSA-2048 的密钥位，且不影响 DRAM 的正常功能。该工作将 Rowhammer 的攻击面从完整性扩展到了机密性，对云环境、共享内存系统的安全设计具有重要警示意义。

Rowhammer是一种利用DRAM行间电荷泄露改变内存比特值的硬件漏洞，严重威胁系统安全。学术界和工业界已探索近十年，但尚未找到实用的缓解方案。纯软件缓解需要复杂改动且性能开销大，硬件缓解虽稳健但难以部署于现有系统。ECC内存原本通过纠错机制将Rowhammer降级为拒绝服务攻击，但最新研究表明攻击者可逐比特构建内存模板并实施ECC感知的Rowhammer攻击。本文重新评估了ECC内存作为Rowhammer缓解途径的可能性，提出Copy-on-Flip（CoF）这一基于软件的ECC内存加固方案。CoF的核心思想是让操作系统拦截所有纠错事件，一旦攻击者成功制造足够位翻转模板化受害页，立即将该页离线并透明迁移数据至新页。CoF在Linux上实现原型，仅需简单的内存管理变更即可支持用户态和内核态内存页的迁移。实验表明，CoF在SPEC CPU2017和Google Chrome上引入的性能开销低于1.5%，即使在极端I/O密集型场景（如饱和nginx）下开销也仅为约11%，同时显著降低了Rowhammer攻击面。该方法为在商用服务器系统上实用化防御Rowhammer提供了新思路。

DDR5内存标准引入了每行激活计数（PRAC）作为缓解Rowhammer攻击的机制，通过跟踪每行的激活次数并在超过阈值时触发缓解刷新。然而，当前PRAC设计的安全性评估依赖于人工构造的攻击模式，缺乏对安全属性的形式化验证或自动化漏洞发现技术。本文提出AutoPRAC，首个利用模型检查器自动化测试PRAC防御安全性的框架。AutoPRAC将PRAC实现建模为有界状态机，并针对最坏情况下的神谕攻击者检查安全关键属性。若属性被违反，框架会生成具体的反例轨迹，对应一次成功的攻击。使用AutoPRAC，作者在最新的PRAC防御方案MOAT中发现了一个此前未报告的缺陷：其计数器重置策略允许最多34次激活超过Rowhammer阈值而未被检测到。实验表明，AutoPRAC能够自动发现Rowhammer缓解措施中的细微安全缺陷，可作为PRAC设计的早期攻击发现辅助工具。该研究为硬件安全验证提供了新思路，尤其适用于新型内存防御机制的形式化分析。

本研究首次实验展示了 DejaVu 现象，即之前写入 DRAM 单元的数据会影响 DRAM 对读取干扰的脆弱性。通过对三大制造商（三星、SK海力士、美光）的112个商用DDR4 DRAM芯片进行系统表征，研究者发现：与仅写入一次的基线相比，1）用相反数据覆盖受害行会降低ACmin（诱导位翻转所需的最小攻击行激活次数），即增加脆弱性；2）写入相同数据两次则会增加ACmin，即提升鲁棒性。研究者提出了两种物理机制假说：一是相反数据写入导致电荷未完全恢复，二是改变有源区电荷陷阱状态从而影响干扰泄漏电流。通过受控实验验证了这些假说。此外，还表征了使用DejaVu模式初始化的DRAM行对PUD（利用DRAM进行计算）操作可靠性的影响：对32行MAJ-3（多数决）操作的测试显示，与基线相比，覆盖写入可使失败位线数量平均减少32.7%。基于观测，研究者阐述了DejaVu的两大意义：1）DRAM测试与表征方法必须考虑DejaVu，以准确评估固定数据模式下的读取干扰脆弱性，并避免DejaVu对数据模式效应的干扰；2）评估读取干扰缓解技术的性能开销时，若需降低阈值以对抗DejaVu（例如阈值降低20%时性能开销增加6.3%）。该研究对Rowhammer攻击的防御、DRAM可靠性测试以及内存内计算设计具有重要参考价值。

Rowhammer 攻击是一种利用 DRAM 单元之间电磁耦合效应导致比特翻转的硬件漏洞。传统上，此类攻击需要本地代码执行或特定硬件访问权限。该论文提出了一种名为 Posthammer 的新型攻击向量，通过浏览器中的 JavaScript 代码，利用延迟刷新命令（postponed refresh commands）实现在广泛使用的 DRAM 模块上引发 Rowhammer 比特翻转。作者分析了现代 DRAM 刷新机制的弱点，并设计了一种无需任何权限的纯浏览器端攻击方法。实验表明，Posthammer 能在多款主流浏览器和 DRAM 型号上成功诱导比特翻转，从而可能实现权限提升、信息泄露或拒绝服务。该工作首次证明了在浏览器环境中利用延迟刷新命令进行 Rowhammer 攻击的可行性，对云服务和终端用户安全构成潜在威胁。

本文提出了一种名为 Jolt 的新型攻击，利用 Rowhammer 故障注入技术恢复 TLS 等安全协议中使用的数字签名方案的私钥。DSA、ECDSA 和 RSA 签名算法广泛应用于 TLS、SSH 和 IPSec 协议中，以保护通信完整性。以往的攻击主要利用侧信道或单比特 nonce 偏差，往往需要多达 2^45 个签名样本。Jolt 通过注入故障产生错误签名，并利用签名验证原语纠正错误签名的同时，逐步推断签名密钥的比特。由于直接针对不随会话变化的签名密钥，攻击效率极大提升：对于 256 位 (EC)DSA，仅需少于 1000 个错误签名即可完成密钥恢复。实验验证了该攻击在 WolfSSL、OpenSSL、Microsoft SymCrypt、LibreSSL 和 Amazon s2n 等主流密码库的 TLS 握手中的可行性。在线阶段可在 2 小时内恢复 256 位 ECDSA 密钥的 192 位，足以实现完整密钥恢复。研究发现，虽然 RSA 签名在部分库中得到保护，但 OpenSSL 仍易受双故障注入攻击；FIPS 硬化版本稍有效率提升但仍易受攻击。而 (EC)DSA 签名在多数库中缺乏针对软件故障的保护，对实际 TLS 部署构成威胁，并可能影响 SSH 和 IPSec 等其他协议。该工作强调了在安全协议实现中加强故障检查的必要性。

该论文研究联邦学习（FL）中的模型投毒攻击。传统FL后门攻击主要依赖算法层面操纵训练数据，但本文引入一类新的攻击：利用硬件故障（如Rowhammer）在本地模型参数中注入比特翻转，从而在联邦学习期间植入后门。攻击过程分为离线阶段：攻击者从预训练模型出发，通过分析确定要翻转的比特位；在线阶段：恶意客户端在本地训练时通过硬件故障（比特翻转）修改模型参数，使全局模型在目标任务上保持正常性能，但后门触发时输出攻击者指定的错误结果。实验表明，在ResNet-18等模型上，平均每次恶意客户端出现仅需10次比特翻转，共19次恶意交互即可达到94%的攻击成功率。论文还讨论了攻击的实用性及潜在防御的鲁棒性，并指出Rowhammer是该类威胁的主要攻击向量。该工作揭示了硬件安全与联邦学习安全的交叉风险，对设计防御策略具有指导意义。

该论文研究了现代DRAM芯片中的读取干扰现象（如RowHammer和RowPress），即频繁访问或持续打开一个DRAM行（攻击行）会导致其物理邻近的未被访问行（受害行）发生比特翻转。这种干扰机制可从软件栈层面被实际利用，并随着密度缩放而加剧。作者提出了一种新的DRAM访问模式——ScaleDisturb，通过不对称地延长两个攻击行的打开时间来放大读取干扰。在196个DDR4和3个HBM2 DRAM芯片上的严格实验表征表明，ScaleDisturb相比现有最先进的访问模式，能够在显著更少的行激活次数下引发比特翻转，使得所有受测DRAM芯片上的读取干扰攻击更容易实施，并且随着DRAM制造工艺缩小到更小的节点尺寸，DRAM对读取干扰的脆弱性增加。论文还在真实系统上展示了概念验证攻击，用户级程序利用ScaleDisturb比最先进的RowHammer和RowPress访问模式引发了更多比特翻转。最后，论文描述并评估了四种缓解ScaleDisturb引起的读取干扰比特翻转的解决方案，并呼吁进行更多研究。

RowHammer 是一种因 DRAM 单元间的电荷泄漏导致比特翻转的硬件漏洞，随着工艺微缩，该问题日益严重。现有研究多依赖真实硬件实验或缺乏系统级建模的模拟器，难以全面评估操作系统交互和跨层缓解措施（如 TRR、ECC）的效果。本文提出 HammerSim，一个基于 gem5 全系统模拟器的扩展框架，用于在系统级对 RowHammer 进行建模。HammerSim 的核心创新在于采用概率驱动的比特翻转模型，能够更真实地模拟 RowHammer 行为，而非简单假设固定错误率。该模型支持灵活配置攻击模式、内存行访问模式等参数。通过集成 TRR（目标行刷新）和选择性 ECC（纠错码）等硬件/软件缓解机制，HammerSim 可评估这些防护在真实工作负载下的有效性。作者利用 Jensen-Shannon 散度对来自真实 DDR4 DIMM 的实验数据与模拟结果进行验证，证明比特翻转分布的拟合度良好。该框架还提供了评估良性工作负载脆弱性的能力。HammerSim 为硬件研究人员和架构师搭建了连接真实实验与架构仿真的桥梁，有助于加速 RowHammer 防御方案的迭代优化。

DRAM工艺的持续缩放使得RowHammer漏洞日益严重。JEDEC针对此问题引入了每行激活计数（PRAC）与Alert Back-Off协议作为DDR5的可选特性，但PRAC需要每行计数器单元，带来了面积开销，且每次激活更新计数器会延长DRAM时序参数，导致性能下降。概率性缓解方案（如MINT）通过在周期性缓解窗口内随机选择并缓解行来提供低成本替代方案。MINT在高阈值（≥1000）下有效，但在低阈值下必须提高缓解率以克服“非选择问题”——即被频繁锤击的行可能反复逃避采样。这种固定比例的缓解率缩放即使在无攻击时也会降低有效内存带宽。为克服这一限制，本文提出PrISM，一种基于相交的概率性缓解方法。PrISM利用采样历史队列（SHQ）关联不同窗口内的采样行：每个窗口仅采样少量激活槽，将采样但未缓解的行存入SHQ，当采样行在历史中再次出现时，通过现有的Alert Back-Off协议请求额外缓解。这使得PrISM仅在观察到持久性行活动时才增加缓解，而无需全局提高固定缓解率。在阈值为500时，PrISM仅导致0.2%的平均性能损失，而PRAC为14%。PrISM无需DRAM阵列修改或每行计数器，每个存储体仅需625B SRAM，比先前的安全计数器型内存内防御少一到两个数量级。与MINT相比，PrISM在低阈值下提供更好的可扩展性：在阈值为250时，平均性能损失从10.7%降至1.5%，降低7.1倍。PrISM已在GitHub开源。

本文是一项针对 Rowhammer 漏洞在真实硬件环境中流行程度的大规模研究。研究团队通过开发自动化测量工具，对大量不同型号、不同厂商的 DRAM 模块进行测试，系统性评估了 Rowhammer 现象的发生频率、触发条件以及影响因素。实验覆盖了多种 DRAM 技术和工艺节点，包括 DDR3、DDR4 以及 LPDDR4。研究发现 Rowhammer 在当代 DRAM 中仍然普遍存在，且防护机制（如 TRR）在不同厂商实现中存在显著差异，部分设备对特定攻击模式依然脆弱。论文分析了影响 Rowhammer 易感性的关键参数，如温度、刷新率、内存拓扑等，并提出了改进的测试方法论以提高检测效率。主要贡献包括：首个大规模跨代 DRAM 的 Rowhammer 流行性研究；公开了测试数据集和工具；为内存安全研究和硬件漏洞缓解提供了重要参考依据。

本文提出了一种名为“Memory Band-Aid”的纵深防御方案，旨在缓解Rowhammer攻击。Rowhammer是一种利用DRAM内存单元间电磁干扰的硬件漏洞，攻击者通过密集访问同一内存行（激活行），可能导致相邻行发生位翻转，从而破坏数据完整性或实现权限提升。现有防御措施如目标行刷新（TRR）存在局限性，尤其是随着DRAM工艺尺寸不断缩小，Rowhammer攻击的阈值逐渐降低。Memory Band-Aid方案采用多层防御架构：首先，在系统层面引入随机化内存分配策略，增加攻击者预测目标行的难度；其次，在内存控制器层面增强刷新策略，根据实际访问模式动态调整刷新频率；最后，在操作系统层面集成异常检测机制，监控内存访问模式以识别潜在的Rowhammer行为。实验在多种DRAM模块上进行，结果表明该方案能有效降低位翻转概率，且性能开销小于5%。本文的主要贡献在于提出了一个可实际部署的、原则性的纵深防御框架，并分析了其效果与权衡。适合系统安全研究员、内存控制器设计者及操作系统开发者阅读。

该论文研究了基于Rowhammer的GPU特权提升攻击。以往研究表明，配备GDDR显存的NVIDIA GPU易受Rowhammer比特翻转影响，但攻击仅限于破坏机器学习模型权重等非定向比特翻转，未能像CPU攻击那样实现特权提升。本文首先通过分析GPU页表管理机制，识别出新页表分配的时间和位置，使得非特权用户CUDA进程能够利用Rowhammer比特翻转定向篡改驻留在GPU内存中的页表，从而获得对其他进程或同驻用户GPU内存的访问权限。基于这一新原语，作者实现了首个GPU侧特权提升攻击：从cuPQC库中窃取加密密钥，并篡改模型的GPU汇编代码以更隐蔽地降级模型性能。更关键的是，他们展示了GPU侧特权提升可导致CPU侧特权提升，绕过IOMMU保护，使具有GPU访问权限的恶意用户程序获得root shell和系统级控制，即使非多租户场景也受影响。实验在NVIDIA GPU上验证了攻击有效性。该研究揭示了GPU内存安全中新的攻击面，对云GPU环境、多租户GPU计算以及依赖GPU加速的安全敏感应用构成严重威胁。

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。