Hardware-Schwachstellen können schwerwiegende Auswirkungen haben, denn ein flächendeckender Austausch betroffener Produkte ist oft die einzige Möglichkeit zur Behebung, wie das Beispiel RAIN zeigt. Hier konnte der Foreshadow-Angriff auf Intel CPUs von 2018 selbst auf bereits gepatchten Prozessoren erfolgreich durchgeführt werden. Dieselbe Untersuchung zeigt zugleich die Wirksamkeit zusätzlicher Härtungsmaßnahmen: Bei einem großen Cloud-Anbieter scheiterte der Angriff an ergänzenden Schutzmechanismen, die sensible Speicherinhalte dem Zugriff aus virtuellen Maschinen entziehen. Verstärkt im Fokus sind auch Smartphones, die zunehmend dedizierte Sicherheitshardware beinhalten (vgl. SCA_ECDSA).
Schwerpunkte der IT-Sicherheitsforschung liegen außerdem auf Post-Quanten-Kryptografie sowie der Analyse von Angriffen auf deren Hardware-Implementierungen. Diese Algorithmen bieten Schutz vor Angriffen durch Quantencomputer. Eine gegen Angriffe auf Hardware-Schwachstellen sichere Implementierung von kryptografischen Algorithmen ist jedoch ein relativ junges Forschungsgebiet und deshalb herausfordernd. Seitenkanalangriffe, die nicht auf das kryptografische Verfahren, sondern auf dessen Implementierung gerichtet sind, wie zum Beispiel ML-KEM-SCA, BM, HOCPA, SWOOP, Fault-Angriffe (z. B. DILF, XMSS, Rand) oder Rowhammer Angriffe (SLasH-DSA) nutzen solche Implementierungsschwächen aus.
Ein besorgniserregender Trend ist die Vereinfachung der Angriffsmethoden mit maschinellem Lernen. Während in der Vergangenheit vor allem bei Seitenkanalangriffen eine aufwändige und personalintensive manuelle Nachbearbeitung aufgenommener Daten nötig war, können diese Aufgaben nun zunehmend automatisiert werden (z. B. NLM, SnowV). Dies reduziert den Aufwand für Angriffe erheblich und ermöglicht es theoretisch auch Angreifern mit geringeren Ressourcen, solche Angriffe durchzuführen.
Besonders im Umfeld des Cloud-Computings gibt es neue Angriffsvektoren auf etablierte Isolationsmechanismen. Mittels der mikroarchitektonischen Schwachstelle VMScape können Angreifer aus einer regulären, gemieteten virtuellen Maschine heraus die übergeordnete Cloud-Infrastruktur kompromittieren und sensible Daten abschöpfen. Die neue Angriffsmethode TEE.fail zeigt zudem, dass selbst moderne, hardwaregestützte Confidential-Computing-Umgebungen physisch kompromittierbar sind, um so sensible kryptografische Schlüssel zu erlangen.
Ein weiterer Trend sind Angriffe auf neuronale Netze unter Ausnutzung von Hardware-Schwachstellen. Angreifer können KI-Modelle durch Ausnutzung mikroarchitektonischer Schwachstellen beeinflussen. Die Modellarchitektur kann durch Latenzmessungen in SGX-Enklaven (DNN-Latency-Seq) oder durch Analyse von EM-Abstrahlungen von GPUs (ModelSpy) rekonstruiert werden. Geheime Modellparameter und Gewichte werden mittels speicherabhängiger Zugriffsmuster in SGX (AF-Harmful) oder durch Auswertung von EM-Signalen bei GPU-Berechnungen (BarraCUDA) extrahiert. Sensible Nutzerdaten lassen sich durch Messung von Latenzen beim Power-Gating von KI-Beschleunigern
(Gatebleed), EM-Abstrahlung (ScaAR) oder durch Analyse von Seitenkanälen bei Mixture-of-Experts-LLMs (MoEcho) ausspionieren. Neben Informationsdiebstahl ermöglichen hardwarenahe Methoden auch die aktive Störung: Gezielte Bit-Flips im GPU-Speicher (GPUHammer) modifizieren Modelle bösartig und reduzieren die Genauigkeit, während der Missbrauch von Hardware-Mitigationen im Speichermanagement Denial-of-Service ermöglichen kann (Not So Refreshing). Diese Angriffe sind teilweise ohne Hardware-Präparationen aus einem Abstand von mehreren Metern möglich (ModelSpy, ScaAR).