[論文レビュー] Estimating the Circuit Deobfuscating Runtime based on Graph Deep Learning

Zhiqian Chen, Gaurav Kolhe+5 more|arXiv (Cornell University)|Feb 14, 2019

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 36被引用数 4

ひとこと要約

本論文は、回路のトポロジーとゲート特徴量をエンドツーエンドにモデル化することで、obfuscated digital circuitsのSATベースの復号化実行時間予測を可能にするグラフディープラーニングフレームワークICNetを提案する。最先端の精度と安定性を達成し、ブルートフォースソルバーと比較して推定時間を99.95%短縮した。

ABSTRACT

Circuit obfuscation is a recently proposed defense mechanism to protect digital integrated circuits (ICs) from reverse engineering by using camouflaged gates i.e., logic gates whose functionality cannot be precisely determined by the attacker. There have been effective schemes such as satisfiability-checking (SAT)-based attacks that can potentially decrypt obfuscated circuits, called deobfuscation. Deobfuscation runtime could have a large span ranging from few milliseconds to thousands of years or more, depending on the number and layouts of the ICs and camouflaged gates. And hence accurately pre-estimating the deobfuscation runtime is highly crucial for the defenders to maximize it and optimize their defense. However, estimating the deobfuscation runtime is a challenging task due to 1) the complexity and heterogeneity of graph-structured circuit, 2) the unknown and sophisticated mechanisms of the attackers for deobfuscation. To address the above mentioned challenges, this work proposes the first machine-learning framework that predicts the deobfuscation runtime based on graph deep learning techniques. Specifically, we design a new model, ICNet with new input and convolution layers to characterize and extract graph frequencies from ICs, which are then integrated by heterogeneous deep fully-connected layers to obtain final output. ICNet is an end-to-end framework which can automatically extract the determinant features for deobfuscation runtime. Extensive experiments demonstrate its effectiveness and efficiency.

研究の動機と目的

• obfuscated ICのSATベースの復号化実行時間の正確かつ効率的な推定という、セキュリティ防御の最適化に不可欠な重要な課題に取り組む。
• 可能性のあるobfuscation設定の指数的探索空間のため、ヒューリスティックベースのobfuscation選択の限界を克服する。
• ICのグラフ構造的・多様な性質と、復号化攻撃の複雑で非線形的な挙動を扱えるスケーラブルでエンドツーエンドの機械学習フレームワークを構築する。
• 時間のかかる攻撃者シミュレーションに代えて、高速かつ正確な実行時間予測により、obfuscation戦略の迅速な評価を可能にする。
• 手動での特徴量設計を不要にし、回路トポロジーとゲート属性から関連する特徴量を自動で抽出できる安定的かつ汎用性の高いモデルを提供する。

提案手法

• obfuscated ICのトポロジー的・構造的特徴量を捉えるために、カスタム畳み込み層を備えた新しいGNNアーキテクチャであるICNetを提案する。
• GCNで一般的に見られる属性伝搬を回避する新しいグラフ畳み込み演算子を導入し、ICに不適切であることが知られる点に、局所的なゲート表現とその相互作用に焦点を当てる。
• ゲートレベル特徴量（例：ゲートタイプ、数）と回路トポロジーを、合成全結合ネットワークを介して統合された埋め込み空間に統合する。
• 生の回路グラフとobfuscation設定から、特徴量表現とdeobfuscation実行時間予測を同時に学習するエンドツーエンド学習パラダイムを採用する。
• 注目メカニズムを用いて特徴量の重要度を定量的に分析し、ゲート数が実行時間予測において最も影響力のある属性であることが判明した。
• 実世界のISCAS85およびITC99ベンチマークを用いて、GCN、ChebNet、および古典的回帰モデルを含む複数のベースラインと比較して、モデルを訓練および評価した。

実験結果

リサーチクエスチョン

• RQ1 回路グラフの複雑さと多様性を考慮しても、グラフディープラーニングモデルがobfuscated ICのSATベースの復号化実行時間を正確に予測できるか？
• RQ2 実世界のobfuscated回路データセットにおいて、提案されたICNetモデルは、既存の機械学習およびグラフニューラルネットワークベースラインと比較して、精度と安定性に優れているか？
• RQ3 回路属性（例：ゲート数、ゲートタイプ）の中で、復号化実行時間の予測に最も寄与するものは何か？注目メカニズムはこれらの関係を明らかにできるか？
• RQ4 提案されたモデルは、実際のSATソルバーランと比較して、推定時間をどの程度短縮できるか？これにより、obfuscationポリシーのスケーラブルな探索が可能になるか？
• RQ5 異なるobfuscation戦略および特徴量入力設定（例：位置情報のみ vs. 全特徴量入力）に対して、モデルは頑健であるか？

主な発見

• ICNetは、データセット1でMSE 0.0040、データセット2でMSE 0.0043を達成し、GCN、ChebNet、および古典的回帰モデルを含むすべてのベースラインを上回った。
• ICNet-NN（ICNetのニューラルネットワーク版）は、すべての指標で最良のパフォーマンスを示し、データセット1でMSE 0.0040、データセット2でMSE 0.0043を記録し、さまざまな特徴量設定での分散が最小であった。
• 平均推定時間は1インスタンスあたり1.1336秒にまで短縮され、実際のSATソルバーが最長で2411.11秒を要するのと比較して、99.95%の時間短縮が達成された。
• 注目分析により、ゲート数がモデルの注目度に平均56.40%寄与しており、実際の実行時間とのピアソン相関係数が0.8238、スピアマン順位相関係数が0.9722であった。これは強力な予測能力を示している。
• ICNetは、GCNやChebNetと比較して優れた安定性を示した。特に、入力特徴量選択（例：位置情報のみ vs. 全特徴量）に対する感受性が低く、さまざまな設定でのMSE差が小さかった。
• 線形モデル（LASSO、リッジ回帰、SVR）とは異なり、ICNetは回路構造と復号化困難度の非線形関係を的確に捉えており、高い分散や定数予測を示す線形モデルを上回った。