如何处理那些旧GPU？- Trail of Bits博客

[跟着披头士《With A Little Help From My Friends》的曲调唱] 你会站起来把它扔掉吗？

这里有个谜题：当新GPU不断生产，产品周期约18-24个月，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？我们四处询问却无人能答；我们只知道它们被踢出Google Cloud和Microsoft Azure（但AWS除外），而且对机器学习毫无用处，因为有太多新的、指数级更强大的版本可用。

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

请不要这样做！在Trail of Bits，我们想使用旧GPU——即使是那些已过官方寿命的——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。

嵌入式平台模糊测试。GPU天然适合模糊测试问题，因为模糊测试具有极高的并行性，并且存在解决发散问题的自然变通方法。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，编写快速模拟器而不是慢速模拟器是有意义的。我们的GPU模糊测试原型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。我们想解决这个问题，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，我们想通过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，并且是对当前技术水平的严格改进。

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，并且经常是实际程序分析中的瓶颈。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的用途，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，来自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。我们想创建一个原型来看看这种编译是否可行。

帮助我们拯救旧GPU！

我们思考这些问题已有一段时间，并想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最好的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正好合适。如果你想帮忙，请告诉我们！我们与大学在类似研究挑战上有合作历史，并渴望继续这种合作关系。

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 Trail of Bits的Buttercup在AIxCC挑战赛中获得第二名 Buttercup现已开源！ AIxCC决赛：数据对比 攻击者的提示注入工程：利用GitHub Copilot 作为新员工发现NVIDIA Triton中的内存损坏 © 2025 Trail of Bits. 使用Hugo和Mainroad主题生成。