Documentation/x86/pti.rst

   1 .. SPDX-License-Identifier: GPL-2.0
   2
   3 ==========================
   4 Page Table Isolation (PTI)
   5 ==========================
   6
   7 Overview
   8 ========
   9
  10 Page Table Isolation (pti, previously known as KAISER [1]_) is a
  11 countermeasure against attacks on the shared user/kernel address
  12 space such as the "Meltdown" approach [2]_.
  13
  14 To mitigate this class of attacks, we create an independent set of
  15 page tables for use only when running userspace applications.  When
  16 the kernel is entered via syscalls, interrupts or exceptions, the
  17 page tables are switched to the full "kernel" copy.  When the system
  18 switches back to user mode, the user copy is used again.
  19
  20 The userspace page tables contain only a minimal amount of kernel
  21 data: only what is needed to enter/exit the kernel such as the
  22 entry/exit functions themselves and the interrupt descriptor table
  23 (IDT).  There are a few strictly unnecessary things that get mapped
  24 such as the first C function when entering an interrupt (see
  25 comments in pti.c).
  26
  27 This approach helps to ensure that side-channel attacks leveraging
  28 the paging structures do not function when PTI is enabled.  It can be
  29 enabled by setting CONFIG_PAGE_TABLE_ISOLATION=y at compile time.
  30 Once enabled at compile-time, it can be disabled at boot with the
  31 'nopti' or 'pti=' kernel parameters (see kernel-parameters.txt).
  32
  33 Page Table Management
  34 =====================
  35
  36 When PTI is enabled, the kernel manages two sets of page tables.
  37 The first set is very similar to the single set which is present in
  38 kernels without PTI.  This includes a complete mapping of userspace
  39 that the kernel can use for things like copy_to_user().
  40
  41 Although _complete_, the user portion of the kernel page tables is
  42 crippled by setting the NX bit in the top level.  This ensures
  43 that any missed kernel->user CR3 switch will immediately crash
  44 userspace upon executing its first instruction.
  45
  46 The userspace page tables map only the kernel data needed to enter
  47 and exit the kernel.  This data is entirely contained in the 'struct
  48 cpu_entry_area' structure which is placed in the fixmap which gives
  49 each CPU's copy of the area a compile-time-fixed virtual address.
  50
  51 For new userspace mappings, the kernel makes the entries in its
  52 page tables like normal.  The only difference is when the kernel
  53 makes entries in the top (PGD) level.  In addition to setting the
  54 entry in the main kernel PGD, a copy of the entry is made in the
  55 userspace page tables' PGD.
  56
  57 This sharing at the PGD level also inherently shares all the lower
  58 layers of the page tables.  This leaves a single, shared set of
  59 userspace page tables to manage.  One PTE to lock, one set of
  60 accessed bits, dirty bits, etc...
  61
  62 Overhead
  63 ========
  64
  65 Protection against side-channel attacks is important.  But,
  66 this protection comes at a cost:
  67
  68 1. Increased Memory Use
  69
  70   a. Each process now needs an order-1 PGD instead of order-0.
  71      (Consumes an additional 4k per process).
  72   b. The 'cpu_entry_area' structure must be 2MB in size and 2MB
  73      aligned so that it can be mapped by setting a single PMD
  74      entry.  This consumes nearly 2MB of RAM once the kernel
  75      is decompressed, but no space in the kernel image itself.
  76
  77 2. Runtime Cost
  78
  79   a. CR3 manipulation to switch between the page table copies
  80      must be done at interrupt, syscall, and exception entry
  81      and exit (it can be skipped when the kernel is interrupted,
  82      though.)  Moves to CR3 are on the order of a hundred
  83      cycles, and are required at every entry and exit.
  84   b. A "trampoline" must be used for SYSCALL entry.  This
  85      trampoline depends on a smaller set of resources than the
  86      non-PTI SYSCALL entry code, so requires mapping fewer
  87      things into the userspace page tables.  The downside is
  88      that stacks must be switched at entry time.
  89   c. Global pages are disabled for all kernel structures not
  90      mapped into both kernel and userspace page tables.  This
  91      feature of the MMU allows different processes to share TLB
  92      entries mapping the kernel.  Losing the feature means more
  93      TLB misses after a context switch.  The actual loss of
  94      performance is very small, however, never exceeding 1%.
  95   d. Process Context IDentifiers (PCID) is a CPU feature that
  96      allows us to skip flushing the entire TLB when switching page
  97      tables by setting a special bit in CR3 when the page tables
  98      are changed.  This makes switching the page tables (at context
  99      switch, or kernel entry/exit) cheaper.  But, on systems with
 100      PCID support, the context switch code must flush both the user
 101      and kernel entries out of the TLB.  The user PCID TLB flush is
 102      deferred until the exit to userspace, minimizing the cost.
 103      See intel.com/sdm for the gory PCID/INVPCID details.
 104   e. The userspace page tables must be populated for each new
 105      process.  Even without PTI, the shared kernel mappings
 106      are created by copying top-level (PGD) entries into each
 107      new process.  But, with PTI, there are now *two* kernel
 108      mappings: one in the kernel page tables that maps everything
 109      and one for the entry/exit structures.  At fork(), we need to
 110      copy both.
 111   f. In addition to the fork()-time copying, there must also
 112      be an update to the userspace PGD any time a set_pgd() is done
 113      on a PGD used to map userspace.  This ensures that the kernel
 114      and userspace copies always map the same userspace
 115      memory.
 116   g. On systems without PCID support, each CR3 write flushes
 117      the entire TLB.  That means that each syscall, interrupt
 118      or exception flushes the TLB.
 119   h. INVPCID is a TLB-flushing instruction which allows flushing
 120      of TLB entries for non-current PCIDs.  Some systems support
 121      PCIDs, but do not support INVPCID.  On these systems, addresses
 122      can only be flushed from the TLB for the current PCID.  When
 123      flushing a kernel address, we need to flush all PCIDs, so a
 124      single kernel address flush will require a TLB-flushing CR3
 125      write upon the next use of every PCID.
 126
 127 Possible Future Work
 128 ====================
 129 1. We can be more careful about not actually writing to CR3
 130    unless its value is actually changed.
 131 2. Allow PTI to be enabled/disabled at runtime in addition to the
 132    boot-time switching.
 133
 134 Testing
 135 ========
 136
 137 To test stability of PTI, the following test procedure is recommended,
 138 ideally doing all of these in parallel:
 139
 140 1. Set CONFIG_DEBUG_ENTRY=y
 141 2. Run several copies of all of the tools/testing/selftests/x86/ tests
 142    (excluding MPX and protection_keys) in a loop on multiple CPUs for
 143    several minutes.  These tests frequently uncover corner cases in the
 144    kernel entry code.  In general, old kernels might cause these tests
 145    themselves to crash, but they should never crash the kernel.
 146 3. Run the 'perf' tool in a mode (top or record) that generates many
 147    frequent performance monitoring non-maskable interrupts (see "NMI"
 148    in /proc/interrupts).  This exercises the NMI entry/exit code which
 149    is known to trigger bugs in code paths that did not expect to be
 150    interrupted, including nested NMIs.  Using "-c" boosts the rate of
 151    NMIs, and using two -c with separate counters encourages nested NMIs
 152    and less deterministic behavior.
 153    ::
 154
 155         while true; do perf record -c 10000 -e instructions,cycles -a sleep 10; done
 156
 157 4. Launch a KVM virtual machine.
 158 5. Run 32-bit binaries on systems supporting the SYSCALL instruction.
 159    This has been a lightly-tested code path and needs extra scrutiny.
 160
 161 Debugging
 162 =========
 163
 164 Bugs in PTI cause a few different signatures of crashes
 165 that are worth noting here.
 166
 167  * Failures of the selftests/x86 code.  Usually a bug in one of the
 168    more obscure corners of entry_64.S
 169  * Crashes in early boot, especially around CPU bringup.  Bugs
 170    in the trampoline code or mappings cause these.
 171  * Crashes at the first interrupt.  Caused by bugs in entry_64.S,
 172    like screwing up a page table switch.  Also caused by
 173    incorrectly mapping the IRQ handler entry code.
 174  * Crashes at the first NMI.  The NMI code is separate from main
 175    interrupt handlers and can have bugs that do not affect
 176    normal interrupts.  Also caused by incorrectly mapping NMI
 177    code.  NMIs that interrupt the entry code must be very
 178    careful and can be the cause of crashes that show up when
 179    running perf.
 180  * Kernel crashes at the first exit to userspace.  entry_64.S
 181    bugs, or failing to map some of the exit code.
 182  * Crashes at first interrupt that interrupts userspace. The paths
 183    in entry_64.S that return to userspace are sometimes separate
 184    from the ones that return to the kernel.
 185  * Double faults: overflowing the kernel stack because of page
 186    faults upon page faults.  Caused by touching non-pti-mapped
 187    data in the entry code, or forgetting to switch to kernel
 188    CR3 before calling into C functions which are not pti-mapped.
 189  * Userspace segfaults early in boot, sometimes manifesting
 190    as mount(8) failing to mount the rootfs.  These have
 191    tended to be TLB invalidation issues.  Usually invalidating
 192    the wrong PCID, or otherwise missing an invalidation.
 193
 194 .. [1] https://gruss.cc/files/kaiser.pdf
 195 .. [2] https://meltdownattack.com/meltdown.pdf