如何让老旧GPU重获新生？探索GPU在安全分析与程序优化中的创新应用

当新一代GPU遵循黄氏定律每18-24个月性能翻倍时，那些服役10年的服务器GPU将何去何从？它们既无法继续留在Google Cloud和Microsoft Azure（AWS除外），也难以胜任现代机器学习任务。但这些已折旧且仍在机架中正常运行的硬件，真的只能走向垃圾场吗？

在Trail of Bits，我们正通过以下技术方案赋予老旧GPU新生：

GPU天生适合处理高度并行的模糊测试任务，尤其在需要编写模拟器的嵌入式领域。我们已开发出原型GPU模糊测试器，通过避免静态翻译、应用快速动态二进制翻译（DBT）技术等手段提升模拟器性能，目前正致力于解决实际应用中的局限性。

类似斯坦福STOKE的随机优化器，通过GPU并行搜索机器指令空间来发现非常规的性能优化方案，可显著突破传统CPU方案的搜索吞吐量瓶颈。

针对算法层难以并行的SMT问题，GPU可有效加速两类场景：

程序分析中的O(n³)复杂度可达性查询（判断代码行X能否到达Y）是常见瓶颈，GPU并行计算有望使复杂查询变得实用。

借助GPU加速Souffle等工具的Datalog操作，可构建更具扩展性的静态分析工具。

利用MLIR和VAST技术实现跨API层代码编译，例如将CUDA语义透明转换为OpenCL语义的原型验证。

我们正在寻求研究资金和闲置GPU资源（无需最新型号），用于开发概念验证软件。欢迎高校与研究机构通过历史合作模式共同推进这些创新方向。