[論文レビュー] IMS: Intelligent Hardware Monitoring System for Secure SoCs

Wadid Foudhaili, Aykut Rencber+5 more|arXiv (Cornell University)|Jan 16, 2026

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 0

ひとこと要約

この論文は、SoC上のAXIプロトコルのDoS攻撃検知を目的とした、ハードウェアIPとして統合された機械学習ベースのリアルタイムAXIプロトコル監視システム IMS を提示し、低いハードウェアオーバーヘッドとレイテンシで高い検出精度を達成します。

ABSTRACT

In the modern Systems-on-Chip (SoC), the Advanced eXtensible Interface (AXI) protocol exhibits security vulnerabilities, enabling partial or complete denial-of-service (DoS) through protocol-violation attacks. The recent countermeasures lack a dedicated real-time protocol semantic analysis and evade protocol compliance checks. This paper tackles this AXI vulnerability issue and presents an intelligent hardware monitoring system (IMS) for real-time detection of AXI protocol violations. IMS is a hardware module leveraging neural networks to achieve high detection accuracy. For model training, we perform DoS attacks through header-field manipulation and systematic malicious operations, while recording AXI transactions to build a training dataset. We then deploy a quantization-optimized neural network, achieving 98.7% detection accuracy with <=3% latency overhead, and throughput of >2.5 million inferences/s. We subsequently integrate this IMS into a RISC-V SoC as a memory-mapped IP core to monitor its AXI bus. For demonstration and initial assessment for later ASIC integration, we implemented this IMS on an AMD Zynq UltraScale+ MPSoC ZCU104 board, showing an overall small hardware footprint (9.04% look-up-tables (LUTs), 0.23% DSP slices, and 0.70% flip-flops) and negligible impact on the overall design's achievable frequency. This demonstrates the feasibility of lightweight, security monitoring for resource-constrained edge environments.

研究の動機と目的

• SoCsにおけるDoSを可能にするAXIプロトコルのセキュリティ脆弱性に対処する。
• AXIトラフィックのためのリアルタイム、ハードウェア実装のMLベース監視システム（IMS）を開発する。
• 訓練・評価のための正常AXI取引と悪意的AXI取引の公開データセットを作成する。
• RISC-V SoCへのIMS統合を実演し、ハードウェアオーバーヘッドとパフォーマンスを評価する。）

提案手法

• AXIチャネル全体で正規動作を記録し、DoS風の悪意的取引を合成することによりラベル付きAXIトラフィックデータセットを生成する。
• 52のプロトコル信号から特徴量を設計し、相関分析で22に削減、さらにPCAで90–97%の分散を保持するよう圧縮する。
• ADAM最適化と二値交差エントロピー損失を用いて、隠れ層2層のMLPを各層32ニューロン、シグモイド出力で訓練する。
• 量子化対応トレーニングを用いて(<8,5>) 精度で、80%の重みプルーニングを適用し、ハードウェアへマッピング可能とする。
• HLS4MLを用いてMLモデルをAXI-Stream IPコアへ合成し、Chipyard/RISC-V SoC上のメモリマップド周辺機器として配置する。
• ZCU104 FPGA上で検出性能（精度、適合率、再現率、F1、AUC-ROC）とハードウェア指標（DSP、LUT、FF、BRAM）を評価する。

Figure 1 : AXI-Bus Hardware Monitoring System Concept

実験結果

リサーチクエスチョン

• RQ1 MLベースの異種特徴表現は、SoC上でAXIプロトコル違反攻撃をリアルタイムに検出できるか。
• RQ2 ハードウェアに適した高精度AXIモニタリングをもたらす特徴量設計とモデル最適化戦略は何か。
• RQ3 IMSをAXIモニタリングIPとして統合する際のハードウェアオーバーヘッドとパフォーマンス影響はどの程度か。
• RQ4 IMSはさまざまなAXI攻撃ベクトルや混合攻撃に対してどれくらい堅牢か。
• RQ5 プロトコルレベルのAXIセキュリティ評価を再現できる公開データはあるか。

主な発見

• IMSはベースラインおよび量子化形で最大98.9–99.1%の精度と0.993のAUC-ROCを達成する。
• 量子化<8,5>モデルは再現率99.0%を達成し、AUC-ROC>0.99を維持する。
• FPGA実装ではZCU104上でDSP使用量を799→4で99.5%、LUTを53.9%削減して20,841に、DSP0.23%、FF0.70%の使用で実現。
• IMSのレイテンシは推論あたり約1.53–1.61 ms、AXI負荷の変動下でスループットは2.4–2.57百万推論/sを超える。
• 攻撃別検出率にはAWLENオーバーフロー100%DR、ARID重複検出率98.0% DR、AWQOSフラッディング検出率97.2% DR、混合攻撃で平均して98%超のDRが含まれる。
• 3,242サンプル全体の検出率は98.5%、精度は96.4%である。

Figure 2 : Overview of the IMS Design Steps