NVIDIA修复DCGM Exporter高危漏洞：GPU监控暴露AI负载风险

NVIDIA近日修复了GPU监控工具DCGM Exporter中的一个高危漏洞，该漏洞源于未受保护的Go语言性能分析（profiling）路由。攻击者可借此远程耗尽系统资源，中断正在运行的AI任务，再次暴露了GPU监控基础设施中普遍存在的配置风险。

漏洞的本质：被遗忘的诊断接口

DCGM Exporter是NVIDIA生态中用于采集显卡运行指标的工具，它把GPU的温度、利用率、显存占用等数据汇总后通过网络端点对外暴露，供Prometheus等监控系统抓取。问题恰恰出在这些对外开放的接口上。

根据发现该问题的研究员、Lava Security的Michael Kaczynski披露，工具中原本用于技术诊断的Go profiling功能在部分部署场景下处于开放状态——既不需要密码认证，也没有对请求数量设置任何限制。这意味着任何能访问到该端点的人，都可以通过发起海量请求来拖垮系统资源，导致GPU监控中断，进而影响其上运行的AI训练与推理任务。

这类漏洞的危险之处不在于技术复杂度，而在于其隐蔽性。性能分析路由本是开发者调试用的功能，却在生产环境中被无意保留，成为了拒绝服务（DoS）攻击的入口。

Go语言内置的pprof（performance profiling）工具包是理解这一漏洞的关键。Go标准库net/http/pprof提供了一组HTTP路由（如/debug/pprof/），开发者只需在代码中导入该包，即可在运行时采集CPU占用、内存分配、goroutine堆栈等细粒度性能数据。这种设计极大方便了生产环境排障，但也埋下了隐患：许多框架和工具会在默认情况下自动注册这些路由，若开发者未显式禁用，它们便会随服务一同上线。一旦端点暴露在公网且缺乏认证，攻击者可以持续触发CPU profile采集、堆内存快照等高开销操作，迫使服务器将大量计算资源用于生成诊断报告，最终引发资源耗尽。这类攻击不需要任何漏洞利用代码，仅凭合法的HTTP请求即可完成，使其极难被传统防火墙规则识别和拦截。

暴露规模：2100套系统、超1.2万块显卡

研究人员在网络扫描中发现的数字相当惊人。公开检索显示，共有约2100套暴露在公网的系统，分布在大约300家组织中，泄露了超过12000块显卡的唯一标识符。其中约四分之一的系统开启了危险的诊断功能，直接处于可被攻击的状态。

暴露设备清单覆盖了当前最高端的加速卡型号，包括H100、H200、B200、Blackwell Ultra B300，以及消费级旗舰RTX 4090和RTX 5090。从地域分布看，美国占据了5274块显卡，约占总量的44%。

更值得关注的是，这些暴露点大量出现在云服务提供商的网络中，涉及Voltage Park、Lambda、Northern Data和DigitalOcean等专注于AI算力租赁的厂商。这说明问题不只是单个企业的疏忽，而是渗透到了AI基础设施供应链的关键环节。

DCGM（Data Center GPU Manager）是NVIDIA专为数据中心场景设计的GPU管理框架，而DCGM Exporter则是其与云原生监控生态对接的桥梁。它以Kubernetes DaemonSet或独立进程的形式部署在每个GPU节点上，默认通过9400端口对外提供Prometheus格式的指标抓取接口。由于大规模GPU集群通常需要集中监控，运维团队往往会将该端口开放给内网乃至公网的Prometheus服务器，以便统一聚合数据。这种部署模式本身并无问题，但当profiling路由与监控指标路由共用同一监听地址、且未做路径级访问控制时，对外暴露监控端口就等同于同时暴露了诊断攻击面。此次扫描发现的大量暴露实例，相当一部分可能正是源于这种"一端口多用途"的默认配置。

为什么这件事值得AI行业警惕

随着大模型训练和推理对算力的需求激增，GPU集群已成为AI企业最核心、也最昂贵的资产。监控这些集群本是运维的常规动作，但监控工具本身若配置不当，反而会成为攻击面。

NVIDIA将该漏洞的严重性评分定为8.2/10（满分10分），属于高危级别。这个评分反映出一个现实：攻击者无需触及模型权重或训练数据，仅凭中断监控、耗尽资源，就足以让价值数百万美元的AI工作负载陷入停滞。对于按小时计费的算力租赁业务而言，这类中断的经济损失极为直接。

这起事件也提醒整个行业，AI安全不能只盯着模型层和数据层，底层的运维工具链同样是薄弱环节。一个被遗忘的调试接口，可能让整套昂贵的GPU集群失去保护。

在安全评分体系中，NVIDIA采用的CVSS（通用漏洞评分系统）8.2分对应"高危"（High）级别，但其具体向量同样值得关注。该漏洞的攻击向量为网络（Network），攻击复杂度低（Low），无需任何权限（None），也无需用户交互（None），仅可用性（Availability）受到高度影响——这意味着利用门槛极低，任何能访问端口的人都可以立即发起攻击。8.2分未能达到9.0以上"严重"（Critical）级别，主要原因在于该漏洞不涉及数据泄露或权限提升，攻击影响目前仅限于服务中断。然而对于按GPU小时计费、SLA承诺严格的AI算力租赁业务而言，即便是纯粹的可用性影响，其实际业务损失也可能远超评分数字所传达的严重程度。

修复建议：升级并关闭非必要功能

NVIDIA已经发布修复，强烈建议管理员尽快安装DCGM Exporter 4.8.2或更高版本。除了升级之外，官方特别强调：除非确实必要，否则应保持特定的诊断功能处于关闭状态。

对于运维团队而言，几个实践要点值得落实：

• 立即升级到4.8.2及以上版本，消除已知漏洞。
• 关闭profiling等诊断路由，仅在排障时临时开启，用完即关。
• 限制监控端点的网络暴露面，避免将内部监控接口直接挂到公网，优先通过内网或VPN访问。
• 为监控接口增加认证和速率限制，防止无认证的海量请求打垮资源。

这起事件的根源并非NVIDIA工具本身设计缺陷，更多是部署与配置层面的疏忽。但在AI算力愈发集中、价值愈发高昂的今天，任何一处配置失误都可能被放大成严重的安全事件。守好监控工具这道看似不起眼的防线，正变得越来越重要。