[論文レビュー] Hardware Trojan Detection using Graph Neural Networks

Rozhin Yasaei, Liming Chen+2 more|arXiv (Cornell University)|Apr 25, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 8

ひとこと要約

本論文は、RTLおよびゲートレベルのネットリストのデータフローグラフ（DFG）を分析するために、グラフニューラルネットワーク（GNN）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検出手法を提案する。グラフ表現からの回路動作の自動学習により、RTLでは21.1msで97％のリCALLを達成し、ゲートレベルでは13.42秒で84％のリCALLを達成する。これにより、参照設計に依存せず、既知・未知の両方のHTを高速かつスケーラブルに検出可能となる。

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 around the world. 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, and deny the functionality of the intended design. Various HT detection methods have been proposed in the literature; however, many fall short due to their reliance on a golden reference circuit, a limited detection scope, the need for manual code review, or the inability to scale with large modern designs. We propose a novel golden reference-free HT detection method for both Register Transfer Level (RTL) and gate-level netlists by leveraging Graph Neural Networks (GNNs) to learn the behavior of the circuit through a Data Flow Graph (DFG) representation of the hardware design. We evaluate our model on a custom dataset by expanding the Trusthub HT benchmarks \cite{trusthub1}. The results demonstrate that our approach detects unknown HTs with 97% recall (true positive rate) very fast in 21.1ms for RTL and 84% recall in 13.42s for Gate-Level Netlist.

研究の動機と目的

• グローバル化したICサプライチェーンにおける信頼できない第三者IP（3PIP）およびEDAツールにおけるハードウェアトロイ（HT）のリスク増加に対処すること。
• ゴールデンリファレンスに依存する既存のHT検出手法、手動でのコードレビュー、または現代の複雑な設計にスケーリングできない手法の限界を克服すること。
• RTLおよびゲートレベルのネットリストにおいて、既知・未知の両方のHTを検出可能な、スケーラブルで自動化され、一般化可能なHT検出フレームワークの開発。
• グラフベースの表現と機械学習を活用することで、プロトタイピング段階の事前シリコンセキュリティ検証を可能にし、効率的かつ正確なHT検出を実現すること。

提案手法

• RTLおよびゲートレベルのネットリスト設計からデータフローグラフ（DFG）を構築し、信号、レジスタ、組み合わせ論理間のデータおよび制御フローを表現する。
• GNNはこれらのDFG上で学習させ、回路の内在的動作を自動的に学習し、正常パターンと悪意あるパターンを区別する。
• GNNモデルは、手動での特徴量設計やゴールデンリファレンス回路を必要とせず、エンドツーエンドの特徴量抽出と分類を実行する。
• 本手法は、Trusthub HTベンチマークから拡張されたカスタムデータセットを用い、多様なHTバージョンの学習と評価を実施する。
• 推論速度最適化を実施し、RTLでは21.1ms、ゲートレベルでは13.42秒で検出を達成する。
• 既知のHTシグネチャとの照合ではなく、行動パターンの学習により、未知のHTへの一般化を可能にする。

Figure 1: Semiconductor supply chain, pre-silicon HT injection points. modify to include netlist as our scope.

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不要なHT検出手法は、RTLおよびゲートレベルのネットリストにおいて、高いリCALLと高速な推論を達成できるか？
• RQ2 GNNはDFG表現から効果的に学習し、悪意あるパターンの事前知識なしに未知のHTを検出可能な一般化を達成できるか？
• RQ3 スケーラビリティ、速度、正確性の観点から、従来のHT検出技術と比較して、GNNベースの手法の性能はどの程度か？
• RQ4 既知の例とは構造的・トリガー機構的に異なる未観測のHTに対して、モデルの一般化能力はどの程度まで達成できるか？
• RQ5 DFGベースのGNNアプローチは、ノード数が多く、複雑な相互接続を持つ大規模な産業用設計にスケーリング可能か？

主な発見

• 提案手法のGNNベースの手法は、RTLネットリストにおけるハードウェアトロイ検出で97％のリCALLと94％のF1スコアを達成し、平均検出時間は21.1msである。
• ゲートレベルのネットリストでは、84％のリCALLと86％のF1スコアを達成し、平均検出時間は13.42秒である。
• ゴールデンリファレンス回路を必要とせず、既知のHTパターンを超えた一般化能力を示すことで、未知のHTを正常に検出できた。
• 手動での特徴量設計や部分グラフマッチングに依存する従来手法とは異なり、時間のかかる作業や既知のHTシグネチャに限定された手法に比べ、本手法は優れている。
• DFGの使用により、データフローと制御フローの効果的なモデリングが可能となり、GNNが悪意ある論理を示す行動の異常を捉えることができる。
• 本手法はスケーラブルかつ効率的であり、産業的設計環境における事前シリコンハードウェア検証フローへの統合に適している。

Figure 2: The RTL code of a Trojan trigger and its DFG.