[論文レビュー] Golden Reference-Free Hardware Trojan Localization using Graph Convolutional Network

Rozhin Yasaei, Sina Faezi+1 more|arXiv (Cornell University)|Jul 14, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 5

ひとこと要約

本論文では、事前シリコーンのRTL設計における悪意あるノードを自動的に検出するために、グラフ畳み込みネットワーク（GCN）を用いたゴールデンリファレンス不要なハードウェアトロイのローカライゼーション手法を提案する。回路をグラフに変換し、GCNを用いてエンドツーエンドのノード分類を実行することで、99.6%の精度と0.009%未満の誤検出率を達成し、手動による特徴量設計や信頼できるリファレンス設計の必要性を排除する。

ABSTRACT

The globalization of the Integrated Circuit (IC) supply chain has moved most of the design, fabrication, and testing process from a single trusted entity to various untrusted third-party entities worldwide. The risk of using untrusted third-Party Intellectual Property (3PIP) is the possibility for adversaries to insert malicious modifications known as Hardware Trojans (HTs). These HTs can compromise the integrity, deteriorate the performance, deny the service, and alter the functionality of the design. While numerous HT detection methods have been proposed in the literature, the crucial task of HT localization is overlooked. Moreover, a few existing HT localization methods have several weaknesses: reliance on a golden reference, inability to generalize for all types of HT, lack of scalability, low localization resolution, and manual feature engineering/property definition. To overcome their shortcomings, we propose a novel, golden reference-free HT localization method at the pre-silicon stage by leveraging Graph Convolutional Network (GCN). In this work, we convert the circuit design to its intrinsic data structure, graph and extract the node attributes. Afterward, the graph convolution performs automatic feature extraction for nodes to classify the nodes as Trojan or benign. Our automated approach does not burden the designer with manual code review. It locates the Trojan signals with 99.6% accuracy, 93.1% F1-score, and a false-positive rate below 0.009%.

研究の動機と目的

• 広範なHT検出に関する研究があるにもかかわらず、しばしば無視されがちなハードウェアトロイ（HT）ローカライゼーションにおける重要なギャップを埋める。
• ゴールデンリファレンスに依存する既存のHTローカライゼーション手法の限界、一般化能力の欠如、手動による特徴量設計の必要性を克服する。
• 信頼できるリファレンス回路を必要とせず、自動的かつスケーラブルで高解像度のRTL設計におけるHTローカライゼーションを可能にする。
• トポロジカル構造を保持し、エンドツーエンドのトロイノード分類を可能にするグラフベースのディープラーニングフレームワークを開発する。
• 多様なHTタイプと回路サイズにおいて高い検出性能を発揮し、誤検出を最小限に抑える。

提案手法

• レジスタトランスポートレベル（RTL）ハードウェア設計を、設計要因（例：レジスタ、ワイヤ、モジュール）をノードとし、それらの接続をエッジとするグラフデータ構造に変換する。
• RTLコードから信号タイプ、制御フロー、構造的性質などのノード属性を抽出し、グラフ表現を強化する。
• 4層のグラフ畳み込みネットワーク（GCN）を適用し、グラフ上で自動的かつ階層的な特徴量学習を実行し、局所的およびグローバルな構造的パターンを捉える。
• HT回路のサイズが小さいことによるクラス不均衡を是正するため、重み付き交差エントロピー損失関数を用い、クラス重み比を6:1（トロイ:健全）とする。
• GCNモデルを訓練し、各ノードを健全またはトロイと分類することで、悪意あるコンponentの正確なローカライゼーションを実現する。
• アブレーションスタディを通じて、GCN、GAT、LECの各モデルを2～4層の異なる深さで比較し、最良の性能を示す構成を選定する。

Figure 1: IC supply chain which is vulnerable to HT insertion in different stages.

実験結果

リサーチクエスチョン

• RQ1 ゴールデンリファレンス設計に依存しないGCNベースのアプローチが、高精度なハードウェアトロイローカライゼーションを達成できるか？
• RQ2 グラフ表現学習は、RTL設計におけるHTを示す構造的・機能的異常をどれほど効果的に捉えることができるか？
• RQ3 GCNにおける自動的特徴量学習は、HT検出およびローカライゼーションにおいて、手動による特徴量設計を上回る効果を示せるか？
• RQ4 HTデータセットにおけるクラス不均衡はモデル性能にどのように影響するか？また、最適な検出性能と誤検出の最小化を実現する損失重み戦略は何か？
• RQ5 提案手法は、多様なHTタイプ（例：DES、RC5）および回路サイズにわたり一般化可能であり、一貫した高パフォーマンスを発揮できるか？

主な発見

• 提案されたGCNベースの手法は、多様なベンチマーク回路において99.6%の精度でハードウェアトロイをローカライズすることに成功した。
• モデルは93.1%のF1スコアを達成し、トロイノードを特定する際の精度と再現率のバランスが良好であることが示された。
• 誤検出率は0.009%未満であり、誤ったアラートを最小限に抑える高い信頼性を示している。
• 損失関数の最適なクラス重みは6:1（トロイ:健全）と特定され、データセットの不均衡を是正することでF1スコアが最大化された。
• 4層のGCNはGATおよびLECモデルを上回り、深さが増すほど性能が向上する傾向を示し、本タスクに適していることが確認された。
• 本手法は、さまざまなHTタイプ（例：DES、RC5）および回路サイズにわたり良好に一般化され、すべてのベンチマークにおける平均性能も安定していることが示された。

Figure 2: Overview of our HT localization methodology in training and inference phases.