[論文レビュー] Hardware Trust and Assurance through Reverse Engineering: A Survey and Outlook from Image Analysis and Machine Learning Perspectives

Ulbert J. Botero, Ronald S. Wilson+8 more|arXiv (Cornell University)|Feb 11, 2020

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 200被引用数 29

ひとこと要約

本論文は、集積回路（IC）およびプリント回路基板（PCB）における信頼性と保証のためのハードウェアリバースエンジニアリングを向上させるために、画像解析と機械学習を活用する包括的なサーベイを提示している。本研究では、画像ノイズ、データ不足、および機械学習を用いた攻撃的リバースエンジニアリング手法に対処することで、ハードウェアトロイの検出および偽造品の検出における正確性と効率性を向上させるためのロードマップを提案する。

ABSTRACT

In the context of hardware trust and assurance, reverse engineering has been often considered as an illegal action. Generally speaking, reverse engineering aims to retrieve information from a product, i.e., integrated circuits (ICs) and printed circuit boards (PCBs) in hardware security-related scenarios, in the hope of understanding the functionality of the device and determining its constituent components. Hence, it can raise serious issues concerning Intellectual Property (IP) infringement, the (in)effectiveness of security-related measures, and even new opportunities for injecting hardware Trojans. Ironically, reverse engineering can enable IP owners to verify and validate the design. Nevertheless, this cannot be achieved without overcoming numerous obstacles that limit successful outcomes of the reverse engineering process. This paper surveys these challenges from two complementary perspectives: image processing and machine learning. These two fields of study form a firm basis for the enhancement of efficiency and accuracy of reverse engineering processes for both PCBs and ICs. In summary, therefore, this paper presents a roadmap indicating clearly the actions to be taken to fulfill hardware trust and assurance objectives.

研究の動機と目的

• 複雑で外部委託されたサプライチェーンにおける、ハードウェアトロイおよび偽造電子部品の増加する脅威に対処する。
• 実行時モニタリングにおける高いオーバーヘッドや、巧妙なトロイの検出率が低いといった、既存の信頼性と保証手法の限界を克服する。
• 高度な画像処理と機械学習技術を活用して、リバースエンジニアリングの効率性と正確性を向上させる。
• 現実の画像化課題に直面する中で、外部および内部のPCBおよびICリバースエンジニアリングに対して、強固で一般化可能な手法を開発する。
• 機械学習で強化された攻撃に対して対策を講じる自動的で信頼性のあるリバースエンジニアリングのための基盤を確立する。

提案手法

• ICおよびPCBの高精度な物理的表現を取得するために、マルチモーダルイメージング（SEM、光学、X線CT）を活用する。
• ノイズ低減および特徴強調のための画像前処理技術を適用し、特にデキャパシテーションやデレイヤリングによる困難な条件下でも有効に機能するようにする。
• 画像からの機能的および構造的特徴の抽出と分類に、機械学習モデルを活用し、特にレイヤーワイズの情報量の定量化に注力する。
• 異なるイメージングモダリティ（SEM、光学、X線CT）間で、ゴールデンデザインまたはシーケンス図に対するリバースエンジニアリング出力の比較を可能にするクロスモダリティ評価フレームワークを設計する。
• 照明変動に強く、アーチファクトに耐性のあるアルゴリズムを開発し、PCBリバースエンジニアリングにおける部品抽出および異常検出を強化する。
• 機械学習駆動のリバースエンジニアリングツールを用いた敵対的攻撃を抑止するための、反自動リバースエンジニアリング戦略を検討する。

実験結果

リサーチクエスチョン

• RQ1 画像処理と機械学習技術は、ICおよびPCBのリバースエンジニアリングにおける正確性と効率性をどのように向上させることができるか？
• RQ2 特にノイズ、ぼやけ、強度の不均一性に関して、画像ベースのリバースエンジニアリングにおける主な課題は何か？
• RQ3 ICおよびPCBのレイヤー用に高品質で代表的なデータセットが不足している状況で、どのようにして機械学習モデルを効果的に訓練できるか？
• RQ4 機械学習で強化された攻撃を受けると、現在のリバースエンジニアリングフレームワークにどのような脆弱性が生じるのか。また、それらをどのように緩和できるか？
• RQ5 クロスモダリティ評価フレームワークは、リバースエンジニアリング結果の信頼性ある比較と検証をどの程度可能にするか？

主な発見

• デキャパシテーションやデレイヤリングに起因する画像ノイズおよび前処理アーチファクトは、画像品質を著しく低下させ、効果的なリバースエンジニアリングを困難にする。
• ICおよびPCBのレイヤー用に高品質で代表的なデータセットが不足しているため、深層学習モデルの性能と一般化能力が制限される。
• 既存の実行時モニタリングおよびサイドチャネル解析手法は、プロセスのばらつきや測定ノイズのため、低信頼度の検出結果を示す。
• SEM、光学、X線CTといった異なるモダリティ間で、データ特性、ノイズプロファイル、およびイメージングアーチファクトの違いにより、クロスモダリティ評価は依然として大きな課題である。
• 機械学習で強化されたリバースエンジニアリングは、アドバーシャル攻撃に対して脆弱であるため、攻撃者の努力とコストを増加させるための新たな対策が必要である。
• 外部PCBリバースエンジニアリングの信頼性を確保するには、強固で照明に依存しないアルゴリズムが不可欠であり、内部PCBリバースエンジニアリングには、高Z材料由来のぼやけやアリasingに耐性を持つ必要がある。