[論文レビュー] NNgSAT: Neural Network guided SAT Attack on Logic Locked Complex Structures

Kimia Zamiri Azar, Hadi Mardani Kamali+2 more|arXiv (Cornell University)|Sep 4, 2020

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 53被引用数 12

ひとこと要約

本稿では、大規模なマルチプライヤーやツリー構造などの複雑な構造を持つ論理ロックド回路において、従来のSATソルバが失敗するようなケースに対し、メッセージパッシングニューラルネットワーク（MPNN）を用いて満たし割り当てを予測し、SATソルバの高速化を図るニューラルネットワークガイドドのSAT攻撃、NNgSATを提案する。この手法は、合理的な時間内に93.5%の成功率でこれらの回路の脱オブスカリティを達成し、従来のSAT攻撃に比べて顕著に優れた性能を発揮する。

ABSTRACT

The globalization of the IC supply chain has raised many security threats, especially when untrusted parties are involved. This has created a demand for a dependable logic obfuscation solution to combat these threats. Amongst a wide range of threats and countermeasures on logic obfuscation in the 2010s decade, the Boolean satisfiability (SAT) attack, or one of its derivatives, could break almost all state-of-the-art logic obfuscation countermeasures. However, in some cases, particularly when the logic locked circuits contain complex structures, such as big multipliers, large routing networks, or big tree structures, the logic locked circuit is hard-to-be-solved for the SAT attack. Usage of these structures for obfuscation may lead a strong defense, as many SAT solvers fail to handle such complexity. However, in this paper, we propose a neural-network-guided SAT attack (NNgSAT), in which we examine the capability and effectiveness of a message-passing neural network (MPNN) for solving these complex structures (SAT-hard instances). In NNgSAT, after being trained as a classifier to predict SAT/UNSAT on a SAT problem (NN serves as a SAT solver), the neural network is used to guide/help the actual SAT solver for finding the SAT assignment(s). By training NN on conjunctive normal forms (CNFs) corresponded to a dataset of logic locked circuits, as well as fine-tuning the confidence rate of the NN prediction, our experiments show that NNgSAT could solve 93.5% of the logic locked circuits containing complex structures within a reasonable time, while the existing SAT attack cannot proceed the attack flow in them.

研究の動機と目的

• 大規模マルチプライヤーやルーティングネットワークなどの複雑な構造を有する論理ロックド回路に対するSAT攻撃の失敗問題に対処すること。
• 高い構造的複雑性に起因し、特定のCNFインスタンスを効率的に解くことが困難な従来のSATソルバの限界を克服すること。
• 難解な構造的オブスカリティパターンに対してSATソルバの性能を向上させるためのニューラルネットワークベースのガイドメカニズムを開発すること。
• トレーニングデータとは異なる、大規模かつ未観測のオブスカリティ回路に対しても一般化可能な、MPNNを用いたガイド付きSAT攻撃の有効性を実証すること。

提案手法

• 論理ロックド回路から導出された連言標準形（CNF）を用いて、メッセージパッシングニューラルネットワーク（MPNN）をトレーニングし、SAT/UNSATの結果を分類する。
• MPNNを予測器として用い、信頼度スコア（信頼度率、CR）に基づいて、有望な変数割り当てを提示することでSATソルバをガイドする。
• MPNNの予測結果を並列SATソルビングフレームワークに統合し、複数のSATソルバが異なる信頼度閾値でガイドされるようにする。
• ガイドの質を最適化し、誤った誘導を回避するため、MPNNの信頼度率（CR）を微調整し、最適なCR範囲は0.7–0.9であると特定した。
• DIP（判別入力パターン）を用いて反復的に誤った鍵を段階的に除外する方法で、MPNNガイド付きSAT攻撃を繰り返し実行する。
• 各反復で複数のSATソルバを並列実行し、高信頼度で効果的な予測に基づくもののみが実際に処理を継続する。解が早期に得られた場合、他のソルバはスキップされる。

実験結果

リサーチクエスチョン

• RQ1 メッセージパッシングニューラルネットワーク（MPNN）は、従来のSATソルバが解けない複雑な構造の論理ロックド回路について、SAT/UNSATの結果を効果的に予測できるか？
• RQ2 MPNN予測の信頼度率（CR）は、ソルバのガイドに与える攻撃の成功確率と効率にどのように影響を与えるか？
• RQ3 NNgSATアプローチは、複雑な構造を持つ回路において、従来のSAT攻撃に比べて性能（スループット向上と成功確率）をどの程度向上させるか？
• RQ4 MPNNガイド付きアプローチは、大規模かつ未観測の回路にもスケーリング可能であり、トレーニングデータを超えて一般化可能か？

主な発見

• NNgSATは、大規模マルチプライヤーやツリー構造などの複雑な構造を有する論理ロックド回路を、合理的な時間内に93.5%の成功率で脱オブスカリティに成功した。一方、従来のSAT攻撃は、これらのすべてのケースで失敗した。
• MPNN予測の最適な信頼度率（CR）範囲は0.7–0.9であり、この範囲で有用なガイドの割合が最大化され、誤ったガイドの割合が最小限に抑えられる。
• NNgSATによる性能向上は、並列SATソルバの数に対して非線形的（超線形的）であることが示され、単なる並列化を超えた相乗効果が得られていることがわかった。
• この手法は回路サイズに強く依存しない。大規模で未観測の回路に対してもMPNNのガイドが有効であり、トレーニングデータを超えた一般化能力を示している。
• 従来のSAT攻撃が問題を解けない場合でも、NNgSATはニューラルガイドを活用することで成功を収めることができ、従来では解けないSATインスタンスに対しても有効である。
• 両方の攻撃が成功するケースにおいても、NNgSATは顕著なスループット向上を達成し、特に8つの並列コアとCR範囲0.7–0.9を用いた場合に最良の性能を示した。