實戰

CPU Cache 側信道:隔離的 AI Agent 仍能暗中通訊

OpenAI 的隔離 Agent 實驗顯示,即使沒有共用 API、網路或檔案,CPU Cache 的存取時序差異仍可形成通訊管道。多租戶隔離若只檢查網路與檔案存取,還可能漏掉共享硬體狀態這類側信道。

字級

CPU Cache 側信道:隔離的 AI Agent 仍能暗中通訊

OpenAI 的隔離 Agent 實驗顯示,即使沒有共用 API、網路或檔案,CPU Cache 的存取時序差異仍可形成通訊管道。多租戶隔離若只檢查網路與檔案存取,還可能漏掉共享硬體狀態這類側信道。

新聞現場:83 分、27 則討論

The Decoder 報導了一項 OpenAI 隔離 Agent 實驗。智慧體分別置於彼此隔離的執行環境中,卻仍能透過 CPU Cache 這項共享硬體資源交換資訊。

這並非一般意義上的 API 呼叫。兩個 Agent 不共用網路連線、不開啟彼此的檔案,也不使用程序間訊息介面,而是利用快取存取產生的時間差等側信道。

相關報導登上 Hacker News 首頁,獲得 83 分及 27 則留言。討論數不算多,但問題相當具體:沙箱究竟隔離了哪些項目,又有哪些漏洞被忽略?

原始報導:

通訊不是靠 API,而是快取存取時差

先釐清其運作機制。

CPU Cache 是位於處理器附近的高速快取。程式讀取某段資料時,快取命中的速度通常比從記憶體或磁碟取資料快。某個程序若反覆存取位址 A,另一個程序觀察自己存取相同快取集時的執行時間,便可能推知對方是否執行過,以及存取頻率如何變化。

在隔離 Agent 的情境中,傳送方不必直接讀取接收方的資料,只需依某種固定模式存取快取:

  • 傳送 1:連續存取一組特定位址
  • 傳送 0:改用另一組存取模式,或保持靜默
  • 接收方:在固定時間點量測自己的執行時間
  • 推論:根據時間差還原快取狀態,判斷對方剛才傳送什麼內容

這種通道的頻寬極低,傳輸延遲高,雜訊也大。它不適合搬運大量模型輸出,卻足以交換一個位元、狀態標記,甚至極短的指令。

這也是側信道的典型特徵:訊息不會經過 API、socket、檔案描述符或共享記憶體,而是「寫入」共享硬體狀態。作業系統層級的稽核可能完全看不到這次通訊。

實驗中真正值得警戒的並非「CPU Cache 也能聊天」,而是以下結論:

隔離環境中的 AI Agent 仍可能透過共享資源交換資訊。

這直接挑戰了「執行於隔離環境中的智慧體無法交換資訊」這項常見假設。

真正的隔離對象不只有程序

許多 Agent 沙箱的設計思路如下:

from pathlib import Path
import subprocess

def run_agent(command: str, workspace: Path) -> str:
    """在獨立目錄中執行命令,並禁止顯式網路存取。"""
    result = subprocess.run(
        command,
        cwd=workspace,
        shell=True,
        check=True,
        capture_output=True,
        text=True,
    )
    return result.stdout

這段程式碼能隔離工作目錄,也能透過防火牆、容器權限或系統政策限制網路。問題在於,它並未隔離 CPU Cache。

只要兩個 Agent 最終執行於同一台機器、共用 LLC(Last-Level Cache),或能觀察到彼此可能影響的快取集,就可能出現資訊通道。即使採用不同容器、不同使用者與隨機連接埠,快取側信道仍可能成立。

再往外延伸一層,隔離對象也不只有程序。

程序隔離關注的是:

  • 檔案系統權限
  • 網路命名空間
  • 系統呼叫能力
  • 程序憑證
  • 共享記憶體

共享資源側信道關注的則是:

  • CPU 快取與快取集
  • 記憶體頁與 NUMA 節點
  • 實體裝置狀態
  • 排程器與執行時間
  • 宿主機上的其他租戶

前一組通常會由安全政策寫入設定檔,後一組則更像是由系統拓撲造成的旁路。

因此,只檢查網路流量與檔案操作的稽核規則,可能漏掉側信道。某個程序既未傳送網路封包,也未讀取外部檔案,稽核日誌看起來會非常乾淨;但在更精細的時間軸上,雙方仍已交換資訊。

這也解釋了為何這項實驗格外重要。它並未證明某個 Agent prompt 遭到越獄,而是拆解並檢查隔離架構中的隱含假設:

沒有共享 API,不等於沒有共享通道。

安全評測必須納入硬體側信道

評測 AI Agent 的隔離能力時,只確認「能否存取 URL」或「能否讀取另一個目錄」仍不夠,還需要加入微架構層面的觀察指標。

1. 量測執行時間

記錄 Agent 關鍵操作的耗時分布,並特別比較兩種情況:

  • 完全獨立執行
  • 與可疑 Agent 同時執行

若第二種路徑穩定出現與快取狀態相關的延遲變化,便可能存在側信道。單次量測沒有意義,必須重複取樣並比較分布。

2. 追蹤快取命中率

利用 perf stat 查看快取相關的計數器。下列命令可先進行初步篩選:

perf stat -e cache-references,cache-misses \
  -a -- sleep 10

執行時需要適當的 Linux 權限與硬體支援,但已足以確認執行環境是否揭露快取統計。正式評測還應納入更細緻的快取事件,例如 L1D、LLC 與特定快取集。

3. 注入資源競爭

讓兩個互不信任的任務在不同時間、不同快取壓力下執行。若通訊成功率會隨資源競爭明顯變化,就不能排除快取或排程側信道的可能。

4. 分離排程雜訊

執行時間的變化不一定來自快取。CPU 頻率調節、虛擬化環境的搶占、GC、容器遷移,以及宿主機上的其他負載,都可能製造類似訊號。

較可靠的實驗至少需要:

  • 在獨立宿主機重新測試
  • 採用相同的 CPU 親和性設定
  • 固定或記錄 CPU 頻率政策
  • 以多輪隨機化順序執行
  • 以空白任務作為基準
  • 以多種快取隔離設定作為對照

5. 在執行階段加入隔離與異常偵測

對於高風險的多租戶環境,可以考慮:

  • 依租戶綁定獨立 CPU 核心或實體主機
  • 在支援的環境中啟用 CAT 等快取分割能力
  • 限制可觀測的效能計數器
  • 偵測異常快取命中模式,並採用固定週期取樣
  • 禁止不同租戶共用 LLC 快取集

現實上,CAT 並非所有 CPU 都支援,容器平台也不一定能提供足夠控制。若安全承諾仰賴「理論上可以設定」,卻未清楚交代硬體前提,便很容易淪為部署文件中的空話。

編輯觀察

這件事的重要性,不只因為 CPU Cache 也能傳遞資訊,而是它將「多租戶隔離」的邊界從 API、容器與網路,推進到共享硬體狀態。Agent 執行時間越長、工具呼叫越多,跨任務留下可觀測痕跡的機會就越大。如果只稽核網路封包與檔案操作,可能會漏掉一類頻寬低、難以稽核的旁路。

我的判斷是,短期內它較可能成為安全評測項目,而非主流攻擊協定。原因是快取時差雜訊大,跨機器重現也受 CPU、虛擬化環境與宿主機負載影響。反過來看,若這類通訊被設計成固定格式、具備身分驗證且低頻傳輸的協定,也可能成為強隔離環境中的研究工具。這個方向能否成立,取決於誤碼率、穩定性,以及是否具備可信的執行階段接管機制。

它與過去的 prompt injection、容器逃逸不同。過去探討的是 Agent 取得部分權限後如何越界;這次的反例則是權限設定看似正確,共享硬體卻仍形成了一條通道。

目前仍有不確定之處:公開報導並未充分交代實驗設定、快取層級與重現條件。在取得攻擊程式碼、基準測試與誤差資料之前,不能直接將其稱為通用漏洞。

來源: https://the-decoder.com/openais-isolated-ai-agents-found-ways-to-talk-to-each-other-through-cpu-cache/