[論文レビュー] Node-wise Hardware Trojan Detection Based on Graph Learning

Kento Hasegawa, K. Yamashita+4 more|arXiv (Cornell University)|Dec 4, 2021

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 4

ひとこと要約

本稿では、ヒューリスティックな特徴工学を必要とせず、ゲートレベルのネットリストから自動的にハードウェアトロイの特徴を抽出するグラフラーニング（GL）を用いたノード単位のハードウェアトロイ（HT）検出手法NHTD-GLを提案する。グラフニューラルネットワーク（GNN）を用いてHT固有の特徴を効果的に捉えることで、ベンチマークおよびランダムに生成されたHTに対して0.998の検出精度を達成し、最先端の手法を上回る性能を示した。

ABSTRACT

In the fourth industrial revolution, securing the protection of the supply chain has become an ever-growing concern. One such cyber threat is a hardware Trojan (HT), a malicious modification to an IC. HTs are often identified in the hardware manufacturing process, but should be removed earlier, when the design is being specified. Machine learning-based HT detection in gate-level netlists is an efficient approach to identify HTs at the early stage. However, feature-based modeling has limitations in discovering an appropriate set of HT features. We thus propose NHTD-GL in this paper, a novel node-wise HT detection method based on graph learning (GL). Given the formal analysis of HT features obtained from domain knowledge, NHTD-GL bridges the gap between graph representation learning and feature-based HT detection. The experimental results demonstrate that NHTD-GL achieves 0.998 detection accuracy and outperforms state-of-the-art node-wise HT detection methods. NHTD-GL extracts HT features without heuristic feature engineering.

研究の動機と目的

• 既存のハードウェアトロイ（HT）検出手法におけるヒューリスティックな特徴工学の限界を解消し、新しいまたは未知のHTバージョンに対応できない問題に対処する。
• 第三者のIPやEDAツールを介してHTが挿入されやすいゲートレベルのネットリストに焦点を当て、IC設計段階の初期段階で実用的かつ効果的なHT検出を可能にする。
• HTの構造的特徴に関するドメイン知識と、グラフニューラルネットワーク（GNN）の表現学習能力のギャップを埋め、検出のロバスト性を向上させる。
• GNNベースのモデルが、トレーニングベンチマークに存在しない未知の特徴を有するHTに対しても一般化できることを示し、事前に定義された特徴セットへの依存を低減する。
• 実世界のICサプライチェーンにおけるノード単位のHT検出に対して、理論的裏付けがあり、スケーラブルで高精度なソリューションを提供する。

提案手法

• ゲートレベルのネットリストを、ノードが回路素子（例：論理ゲート）を表し、エッジが接続（ワイヤ）を表す非均質なグラフとして表現する。
• グラフアテンションネットワーク（GAT）、メッセージパッシングニューラルネットワーク（MPNN）、グラフ同型性ネットワーク（GIN）をGNNのコアアーキテクチャとして採用し、ノードレベルの表現を学習する。
• トロイのトリガー構造やペイロード構造といったHTの特徴に関するドメイン知識を活用し、グラフラーニングフレームワークの設計とモデル行動の解釈を支援する。
• ラベル付きのネットリストデータ（正常ノード vs. トロイノード）を用いてGNNモデルをエンドツーエンドで訓練し、手動による特徴抽出を必要とせずにノード単位でのHT存在を予測する。
• GATでは、メッセージパッシング中に隣接ノードの重要性を動的に重み付けするマルチヘッドアテンション機構を採用し、HTノードの特徴識別を強化する。
• Trust-HUBベンチマークデータセットおよびランダムにHTが挿入された回路を用いて、標準的な指標（再現率、適合率、F1スコア、正解率）でモデル性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ヒューリスティックな特徴工学に依存せずに、グラフラーニングがゲートレベルのネットリストにおけるノード単位のハードウェアトロイを効果的に検出できるか？
• RQ2 GNNベースのモデルは、トレーニングベンチマークに存在しない未知の構造的特徴を有するHTに対しても、どの程度一般化できるか？
• RQ3 GNNが学習する具体的な特徴は何か？ それらはドメイン知識から得られる既知のHT特徴（例：トリガー構造、ペイロード構造）とどのように関連しているか？
• RQ4 本手法は、多様なHTタイプにおいて、既存の最先端のノード単位HT検出技術と比較して、正解率およびロバスト性の面で優れているか？
• RQ5 回路全体のノード数の5％未満を占めるような小型で巧妙なトロイに対しても、モデルは高い性能を維持できるか？

主な発見

• NHTD-GLはTrust-HUBベンチマークデータセットで0.998の検出精度を達成し、既存のノード単位HT検出手法を顕著に上回った。
• 再現率0.890、適合率0.978、F1スコア0.921を達成し、感度と特異度のバランスに優れた性能を示した。
• 未知の特徴を有するランダムに生成されたHTに対しても、NHTD-GLは高い性能を維持し、再現率0.773、適合率0.843、正解率0.995を達成した。これにより、一般化能力が裏付けられた。
• GNNベースのモデル（例：GAT、MPNN、GIN）は、手動で特徴を設計する従来のランダムフォレスト法[30]を常に上回り、未確認のHTタイプでは失敗する。
• GNNモデルは自動的にHT関連の特徴を抽出できることを確認し、グラフラーニングがヒューリスティックな特徴工学の限界を克服できることを示した。
• 理論的分析により、GNNが既知のHTパターン（例：トリガー構造、ペイロード構造）と整合する構造的特徴を捉えていることが確認され、モデルの解釈可能性と信頼性が裏付けられた。