你会如何处理那块旧GPU？

[请以披头士乐队《With A Little Help From My Friends》的曲调演唱]
你会起身把它扔掉吗？

这里有一个谜题：当新GPU不断生产，产品周期约为18-24个月，且每个周期GPU性能翻倍（根据黄氏定律），那么10年前的服务器GPU会怎样？我们四处询问，但没人能回答；我们只知道它们会被踢出Google Cloud和Microsoft Azure（但AWS不会），而且对于机器学习来说它们毫无用处，因为有太多新的、性能呈指数级增长的版本可用。

这些旧的GPU——仍然安装在机架上、功能正常，且资本成本已经支付——肯定不会就这样被扔进垃圾堆吧……是吗？

请不要这样做！在Trail of Bits，我们希望利用旧GPU——即使是那些已经超过官方寿命的——来解决有趣的计算机安全和程序分析问题。如果你打算处理掉一架子旧GPU，请别这么做！我们很乐意聊聊如何延长你资本投资的使用寿命。

如何利用旧GPU

以下是我们一直在研究并希望进一步探索的一些想法。

模糊测试嵌入式平台。 GPU天然适合模糊测试问题，因为模糊测试是高度并行的，并且存在解决分歧问题的自然方法。GPU模糊测试在嵌入式领域最有效，因为无论如何都需要编写模拟器。那么，编写一个快速的模拟器而不是慢的有意义。我们的原型GPU模糊测试器表明这个概念是可行的，但它有一些限制，使其难以用于实际模糊测试。我们希望解决这个问题，并正在研究一些想法（避免静态翻译，应用我们快速DBT工具的性能经验等）以使模拟器创建变得实用。

随机优化。 随机优化器，如斯坦福的STOKE，搜索大量潜在的机器指令，寻找新颖、非显而易见的转换以提高程序性能。这种方法的一个关键瓶颈是搜索吞吐量，我们相信在GPU上可以做得更快。

SMT求解。 SMT在优化和安全中有许多用途，但在算法级别抵抗并行化。SMT问题的两个具体实例可以从简单有效的GPU加速中受益。第一个是浮点数。先前的研究使用CPU的暴力搜索来解决CPU上的浮点SMT，我们希望用GPU加速来扩展。其次，GPU可以对抵抗常规算法的传统整数SMT理论进行暴力搜索。基于GPU的搜索将与其他方法并行进行，并严格改进当前的技术水平。

可达性查询。 程序分析的另一个关键原语是可达性查询；即，给定一个（非常大的）程序，我能否从行Y到达行X，如果能，路径是什么？这个问题通常在O(n³)时间内运行，并且在实际程序分析中经常是瓶颈。我们相信可以使用GPU计算使即使复杂的可达性查询更加实用。

Datalog加速。 Datalog作为一种通过Souffle等工具实现大型程序静态分析的语言，获得了新生。最近的研究显示通过GPU加速Datalog操作有希望，这应该允许更好、更可扩展的静态分析工具。

API级翻译。 这不是GPU的使用，但与GPU编程相关：我们相信可以使用MLIR和Trail of Bits的VAST透明地跨API层编译代码。也就是说，源代码将停留在一个API上（例如，从CUDA），但在编译期间，编译器将使用MLIR方言翻译将程序从CUDA语义转换为OpenCL语义。我们希望创建一个原型来查看这种编译是否可行。

帮助我们拯救旧GPU！

我们思考这些问题有一段时间了，并希望编写一些实用的概念验证软件来解决它们。为此，我们正在寻求研究资金和访问备用GPU容量。重要的是，我们不需要访问最新和最伟大的GPU；即将寿命终止或不再适用于AI/ML应用的硬件对我们来说就很好。如果你想帮助，请告诉我们！我们有与大学合作类似研究挑战的历史，并渴望继续这种伙伴关系。

如果你喜欢这篇文章，请分享： 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
非传统创新者奖学金
在你的PajaMAS中劫持多代理系统
我们构建了MCP一直需要的安全层
利用废弃硬件中的零日漏洞
Inside EthCC[8]：成为智能合约审计员
© 2025 Trail of Bits.
使用Hugo和Mainroad主题生成。