加州大学研究发现，在许多场景中，GPU计算资源允许被以精细的粒度在多个应用程序间分享，而间谍应用程序则能趁机监控旁路（Side Channel），并尝试推测出受害者行为。研究人员表示，这是第一次GPU被发现存在一般旁攻击漏洞，而Nvidia将会发布补丁，让管理员禁止用户程序访问性能计数器。
GPU常与计算设备集成，以强化性能以及处理工作负载的能力，而且数据中心和云计算也通常提供GPU运算服务，以解决数据密集的运算工作，但这些运算应用不少需要处理敏感数据，尤其是计算金融以及生物信息领域，对安全性和隐私的要求更高，也更容易受到GPU堆栈的安全漏洞影响。
加州大学研究人员探讨了GPU旁路攻击的真实可行性，而这类攻击代表着一种新颖的威胁载体。由于不同的计算模型以及高度的并行性，特殊的共址和资源共享属性，GPU堆栈有可侧量的可攻击信道，使其GPU应用存在许多独特可被间谍程序利用部分。
当多个应用程序以高精细粒度共享GPU时，允许间谍应用程序间通过旁路推测受害者的行为，像是OpenGL和WebGL以帧层级的粒度，将工作负载发送到GPU，而这将能让攻击者交错使用GPU，并通过性能计数器或其他资源关注API，对受害者计算进行测量。
要构架出旁路攻击的先决条件，就是攻击者和受害者在资源空间中共址，以便攻击者创建和量测争夺。研究人员实例出了间谍程序，可以在Nvidia的GPU图形与计算堆栈中，共同定位和测量受害者旁路行为。在OpenGL中，只要系统提供足够的资源，应用程序就能够同时调度着色器程序（Shader Programs），而在CUDA工作负载也有相同的情况。
加州大学研究人员展示了漏洞的这两种应用，第一个基于OpenGL的间谍程序，利用图形应用程序，研究人员实施了网站指纹（Web-Fingerprinting）攻击，借以获取网站精确的特征，关注用户在网站的活动，甚至可以精准推测出密码输入框被点击的时间。
第二个应用，研究人员则展示了CUDA间谍应用获取另一个CUDA应用程序，其神经网络模型内部所使用的参数，这说明了对计算应用的攻击，攻击者可以通过GPU上的性能计数器收集旁路消息，高精度重建神经网络的内部结构，而这也突显出GPU在云计算构架的安全性威胁，
加州大学这个对GPU安全性的研究，展示了图形和计算GPU工作负载之间实际的攻击行为，研究人员提到，这是GPU一般旁路攻击的第一份研究报告。通过GPU内的资源竞争打开了GPU旁路攻击的可行性，在对Nvidia GPU模型进行反向工程后，萃取出可用于GPU旁路攻击的参数和测量API。
研究人员也提到，通过限制易受攻击的API调度速路和精确度，将能缓解这类攻击，在通报Nvidia后，官方将会发布补丁，供系统管理员禁止用户程序访问性能计数器。