联邦学习客户端观测可触发远程Rowhammer攻击

这篇论文首次证明攻击者无需直接访问服务器，仅通过操纵联邦学习（FL）客户端的传感器观测数据，即可在服务器端引发重复聚集的内存更新，从而远程触发Rowhammer攻击并导致DRAM位翻转。该攻击利用强化学习智能体在无后门访问的情况下学习最大化服务器端的重复更新率，在自动语音识别和CIFAR10分类任务中实现了约70%的重复更新率。 实验证据显示，这种基于对抗性观测的攻击能够针对稀疏梯度更新的FL系统有效工作，其核心机制在于诱导服务器端产生特定模式的内存访问行为。作者指出此类攻击可能导致学习中断或意外提升权限，为联邦学习和硬件设计的安全缓解策略提供了新的研究方向。 事实层面确认了攻击在ASR和CIFAR10场景下的可行性及70%的重复更新率指标；推断表明现有FL架构假设“大量客户端提供韧性”存在缺陷，忽视了客户端作为攻击向量的可能性；猜测部分涉及该攻击是否会被用于实际生产环境中的提权操作，目前尚无公开案例证实。