如何让旧GPU重获新生？- The Trail of Bits博客

Artem Dinaburg, Peter Goodman
2024年9月5日
研究实践

（你会起身扔掉它吗？）
[仿披头士《With A Little Help From My Friends》曲调演唱]

这里有个谜题：当新GPU不断生产、产品周期约18-24个月且每代性能翻倍（遵循黄氏定律）时，10年前的服务器GPU会何去何从？我们多方询问却无人能答；只知道它们会被谷歌云和微软Azure（但非AWS）淘汰，且由于新一代指数级性能提升的GPU涌现，这些旧卡在机器学习领域已毫无用处。

这些旧GPU——仍安装在机架中、可正常运行且资本成本已摊销——总不会直接被扔进垃圾场吧？
请别这么做！在Trail of Bits，我们希望利用旧GPU（甚至那些已过官方支持期的）来解决有趣的计算机安全和程序分析问题。如果你正打算处理一批旧GPU，请三思！我们很乐意探讨如何延长你资本投资的使用寿命。

如何利用旧GPU

以下是我们正在研究并希望深入探索的一些方向：

嵌入式平台模糊测试
GPU天生适合模糊测试问题，因为模糊测试具有高度并行性，且存在天然的分歧问题解决方案。GPU模糊测试在嵌入式领域最有效，因为开发者本就需编写模拟器。因此，编写快速模拟器比慢速模拟器更合理。我们的GPU模糊测试原型证明了概念的可行性，但存在限制导致难以实际应用。我们正通过避免静态转换、应用快速动态二进制翻译（DBT）工具的性能经验等方法改进模拟器创建流程。

随机优化
如斯坦福STOKE之类的随机优化器会搜索大量潜在机器指令，寻找能提升程序性能的新颖非明显转换。该方法的关键瓶颈是搜索吞吐量，我们相信GPU能大幅加速这一过程。

SMT求解
SMT在优化和安全领域有广泛应用，但算法层面难以并行化。SMT问题的两个具体实例可通过简单有效的GPU加速受益：一是浮点运算，现有研究使用CPU暴力搜索解决浮点SMT问题，我们希望用GPU加速扩展该方案；二是GPU可暴力搜索抵抗传统算法的整数SMT理论，GPU并行搜索将与其他方法协同工作，严格改进当前技术水平。

可达性查询
程序分析的另一个关键原语是可达性查询：给定一个（极大）程序，能否从代码行Y到达代码行X？若能，路径是什么？该问题通常具有O(n³)时间复杂度，常成为实际程序分析的瓶颈。我们相信GPU计算能使复杂可达性查询更实用。

Datalog加速
Datalog已通过Souffle等工具重获新生，成为大型程序静态分析的语言。近期研究显示GPU加速Datalog操作具有潜力，有望实现更优、可扩展的静态分析工具。

API级转换
这并非直接使用GPU，但与GPU编程相关：我们相信可利用MLIR和Trail of Bits的VAST透明编译跨API层的代码。即源代码保持使用某一API（如CUDA），但在编译期间，编译器通过MLIR方言转换将程序从CUDA语义转换为OpenCL语义。我们希望创建原型验证此类编译的可行性。

帮助我们拯救旧GPU！

我们长期思考这些问题，并希望编写实用概念验证软件来解决它们。为此，我们正在寻求研究资金和闲置GPU资源。重要的是，我们不需要最新最强的GPU；即将淘汰或不再适用于AI/ML应用的硬件正适合我们。若你愿意协助，请联系我们！我们曾与多所大学合作类似研究挑战，期待延续此类合作。

若喜欢本文，请分享至：
Twitter | LinkedIn | GitHub | Mastodon | Hacker News

页面内容
如何利用旧GPU
帮助我们拯救旧GPU！
近期文章
构建安全消息传递很难：对Bitchat安全辩论的 nuanced 观点
用Deptective调查你的依赖项
系好安全带，Buttercup，AIxCC评分轮已开始！
让智能合约超越私钥风险成熟化
Go解析器中意想不到的安全隐患
© 2025 Trail of Bits.
使用Hugo和Mainroad主题生成。