如何处理旧GPU？- Trail of Bits博客

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

（你会起身把它扔掉吗？）
[用披头士《With A Little Help From My Friends》的曲调演唱]

这里有个谜题：当新GPU持续生产、产品周期约18-24个月、且每代GPU性能翻倍（遵循黄氏定律）时，10年前的服务器GPU会流向何处？我们多方询问却无人能答；仅知它们会被踢出Google Cloud和Microsoft Azure（但AWS除外），由于新一代GPU性能呈指数级增长，这些旧卡在机器学习领域已毫无用处。

但这些仍安装在机架中、功能正常且资本成本已摊销完毕的旧GPU，总不至于直接扔进垃圾场吧……对吗？

请别这么做！ 在Trail of Bits，我们希望利用旧GPU——即便是那些已过官方支持周期的——来解决有趣的计算机安全与程序分析问题。如果您正计划处置一批旧GPU，请三思！我们非常乐意探讨如何延长您资本投资的使用寿命。

如何利用旧GPU

以下是我们正在探索并希望深入研究的方案：

嵌入式平台模糊测试
GPU天生适合模糊测试任务，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。在嵌入式领域，GPU模糊测试效果尤为显著——毕竟开发者本来就需要编写模拟器。因此，编写高速模拟器比低速模拟器更有意义。我们的GPU模糊测试原型已验证概念可行性，但存在限制实际应用的缺陷。我们正通过避免静态翻译、应用快速动态二进制翻译工具的性能优化经验等方法，致力于提升模拟器创建的实用性。

随机优化
斯坦福STOKE等随机优化器会遍历大量潜在机器指令，寻找能提升程序性能的新颖非显然转换。该方法的关键瓶颈在于搜索吞吐量，我们相信GPU能极大加速这一过程。

SMT求解
SMT（可满足性模理论）在优化和安全领域应用广泛，但算法层面难以并行化。两类特定SMT问题可通过简单有效的GPU加速获益：其一是浮点运算——现有研究使用CPU暴力搜索求解浮点SMT，我们希望通过GPU加速扩展该方案；其二是传统整数SMT理论，GPU可对常规算法难以处理的理论进行暴力并行搜索。基于GPU的搜索将与其他方法并行运行，显著提升现有技术水平。

可达性查询
程序分析的另一核心基础是可达性查询：给定（超大规模）程序，能否从代码行Y到达行X？若可行，路径为何？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具实用性。

Datalog加速
Datalog凭借Soufflé等工具重获新生，成为大规模程序静态分析语言。最新研究表明通过GPU加速Datalog操作具有潜力，有望打造更强大、可扩展的静态分析工具。

API层级翻译
此项并非直接使用GPU，但与GPU编程相关：我们计划利用MLIR和Trail of Bits的VAST工具，实现跨API层的透明代码编译。即源代码保持原有API（如CUDA），但在编译过程中，编译器通过MLIR方言转换将程序从CUDA语义转换为OpenCL语义。我们希望创建原型以验证该编译方案的可行性。

助力我们拯救旧GPU！

我们长期关注这些问题，并计划开发实用概念验证软件予以解决。为此，我们正在寻求研究资金和闲置GPU资源。重要的是，我们不需要最新款GPU；即将淘汰或不再适用于AI/ML应用的硬件正是我们的理想选择。若您愿意提供帮助，请联系我们！我们曾与多所高校合作应对类似研究挑战，并热切期待延续此类合作。

如果您喜欢本文，请分享至： Twitter | LinkedIn | GitHub | Mastodon | Hacker News

页面内容
如何利用旧GPU
助力我们拯救旧GPU！
近期文章
使用Deptective调查依赖项
做好准备，AIxCC评分轮已启动！
超越私钥风险的智能合约成熟度提升
Go解析器中意想不到的安全隐患
首批DKL审核经验总结
Silence Laboratories的23个库
© 2025 Trail of Bits.
使用Hugo和Mainroad主题生成