[論文レビュー] Automatic Hardware Trojan Insertion using Machine Learning

Jonathan Cruz, Pravin Gaikwad+3 more|arXiv (Cornell University)|Apr 18, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 10

ひとこと要約

本論文は、既存のトロイの木から多次元的特徴を学習することで、高忠実度なハードウェアトロイのベンチマークを自動生成する機械学習ベースのフレームワークMIMICを提案する。訓練済みモデルを用いて隠れやすいトリガー回路およびペイロード回路ネットを特定し、最大80%のTop-5正解率で仮想トロイの木を設計にバインドする。これは、ML指導致命のないベースライン手法を著しく上回る性能を示す。

ABSTRACT

Due to the current horizontal business model that promotes increasing reliance on untrusted third-party Intellectual Properties (IPs), CAD tools, and design facilities, hardware Trojan attacks have become a serious threat to the semiconductor industry. Development of effective countermeasures against hardware Trojan attacks requires: (1) fast and reliable exploration of the viable Trojan attack space for a given design and (2) a suite of high-quality Trojan-inserted benchmarks that meet specific standards. The latter has become essential for the development and evaluation of design/verification solutions to achieve quantifiable assurance against Trojan attacks. While existing static benchmarks provide a baseline for comparing different countermeasures, they only enumerate a limited number of handcrafted Trojans from the complete Trojan design space. To accomplish these dual objectives, in this paper, we present MIMIC, a novel AI-guided framework for automatic Trojan insertion, which can create a large population of valid Trojans for a given design by mimicking the properties of a small set of known Trojans. While there exist tools to automatically insert Trojan instances using fixed Trojan templates, they cannot analyze known Trojan attacks for creating new instances that accurately capture the threat model. MIMIC works in two major steps: (1) it analyzes structural and functional features of existing Trojan populations in a multi-dimensional space to train machine learning models and generate a large number of "virtual Trojans" of the given design, (2) next, it binds them into the design by matching their functional/structural properties with suitable nets of the internal logic structure. We have developed a complete tool flow for MIMIC, extensively evaluated the framework by exploring several use-cases, and quantified its effectiveness to demonstrate highly promising results.

研究の動機と目的

• 検出および検証ツールの評価に用いるための多様で現実的であるハードウェアトロイのベンチマークの不足に対処すること。
• 静的または信号確率に基づく挿入にとどまらない、複雑で多次元的なハードウェアトロイ攻撃空間の自動的探索を可能にすること。
• 既知のトロイの木の挙動を模倣しつつ、新しい有効なトロイの木インスタンスを生成する柔軟でAI駆動のフレームワークの開発。
• 信頼できない半導体サプライチェーンにおける進化する脅威モデルを反映する、高品質で合成されたトロイの木ベンチマークをスケーラブルに生成するソリューションの提供。

提案手法

• MIMICは、既知のトロイの木のプールから抽出された多次元的構造的および機能的特徴を用いて、トリガー回路ネット、ペイロード回路ネット、および完全なトロイの木挙動の3つの機械学習モデルを訓練する。
• フレーズド・バーリログ・ネットリストを分析し、訓練済みモデルからの適合スコアに基づいて候補となるトリガー回路およびペイロード回路ネットを同定する。
• 各候補となるネットペアは、機能的および構造的検証を経て、整合性のない動作や結合ループを回避する。
• 仮想トロイの木は、候補ネットペアの特徴セットを基準となるトロイの木挙動ベクトルにマッピングし、類似度順にランク付けすることで生成される。
• 最も適した仮想トロイの木は、ユーザーがテンプレートタイプ、特徴量の重み、モデル選択を設定可能なトロイの木テンプレートを用いて設計にバインドされる。
• 同じテンプレート内および異なったテンプレート間の挿入をサポートしており、異なるトロイの木挙動間でのモデル一般化の評価が可能である。

実験結果

リサーチクエスチョン

• RQ1 機械学習フレームワークは、隠れやすいハードウェアトロイの多次元的特徴を効果的に学習し、新しい有効なトロイの木インスタンスを生成できるか？
• RQ2 一つのタイプのトロイの木テンプレートで学習した場合、特に組み合わせ論理および順序回路の両方において、異なるトロイの木テンプレートへの一般化性能はどの程度か？
• RQ3 トリガー、ペイロード、および完全なトロイの木挙動モデルを統合することで、生成されたトロイの木の正解率と品質にどのような影響を与えるか？
• RQ4 一方向の信号確率制約を超えて、より広範なトロイの木攻撃空間をどの程度探索できるか？
• RQ5 DoSやデータ漏洩きんむタイプなど、異なる機能的挙動を示すトロイの木を挿入する際、フレームワークの性能はどのように変化するか？

主な発見

• トリガー、ペイロード、およびトロイの木挙動の3つのモデルをすべて含めた場合、MIMICはトロイの木挿入に適したネットペアを特定する際、約80%のTop-5正解率を達成し、モデルなしのベースラインと比較して74%の向上を示した。
• トリガーおよびペイロードモデルを個別に含めることで、Top-5正解率はそれぞれ16%および20%向上し、それぞれのモデルが性能向上に寄与していることが示された。
• 同じベンチマークに異なるトロイの木テンプレートを挿入した場合、組み合わせ論理テンプレート（c1およびc2）では平均で87%のTop-5正解率を達成し、類似した挙動クラス内での強い一般化性能を示した。
• 順序回路テンプレート（s1およびs2）では、特徴空間の重複度が低く構造的複雑性が高いため、正解率が著しく低下し、それぞれ9.09%および11.11%にとどまった。
• モデルを除外しても、構造的および機能的検証パイプラインの堅牢性により、有効なトロイの木の位置が依然として特定可能であった。
• 結果から、MIMICは現実の隠れやすいトロイの木挙動を密接に模倣する高品質な合成ベンチマークを効果的に生成でき、対策のより厳密な評価を可能にすることが示された。