[논문 리뷰] A Survey and Perspective on Artificial Intelligence for Security-Aware Electronic Design Automation

David S. Koblah, Rabin Yu Acharya외 6명|arXiv (Cornell University)|2022. 04. 19.

Advancements in Semiconductor Devices and Circuit Design인용 수 6

한 줄 요약

이 논문은 보안 인식 전자설계자동화(EDA)를 위한 AI/ML 기법을 조사하며, AI가 실시간 취약성 탐지, 성능과 보안 간의 설계 트레이드오��� 가이드, 그리고 훈련된 엔지니어를 위한 설명 가능한 모델을 제공함으로써 하드웨어 보안을 향상시킬 수 있다고 제안한다. 데이터 부족과 블랙박스 모델의 투명성 부족과 같은 주요 과제를 밝히며, 하드웨어를 신뢰의 근간으로 삼기 위해 AI 기반 보안 내재형 EDA 도구의 구축을 주장한다.

ABSTRACT

Artificial intelligence (AI) and machine learning (ML) techniques have been increasingly used in several fields to improve performance and the level of automation. In recent years, this use has exponentially increased due to the advancement of high-performance computing and the ever increasing size of data. One of such fields is that of hardware design; specifically the design of digital and analog integrated circuits~(ICs), where AI/ ML techniques have been extensively used to address ever-increasing design complexity, aggressive time-to-market, and the growing number of ubiquitous interconnected devices (IoT). However, the security concerns and issues related to IC design have been highly overlooked. In this paper, we summarize the state-of-the-art in AL/ML for circuit design/optimization, security and engineering challenges, research in security-aware CAD/EDA, and future research directions and needs for using AI/ML for security-aware circuit design.

연구 동기 및 목표

• 증가하는 하드웨어 보안 위협에도 불구하고 전자설계자동화(EDA) 도구 내 보안 인식의 격차를 해소하고자 한다.
• AI/ML을 활용해 IC 설계 라이프사이클의 초기 단계에서 취약성을 조기에 탐지하여 후기 실리콘 수정의 비용을 줄이고자 한다.
• 기존 EDA 목표인 면적, 전력, 지연 시간과 함께 보안 메트릭을 통합함으로써 설계 트레이드오프를 향상시키고자 한다.
• 비전문가 엔지니어가 보안 위협을 인지하고 대응할 수 있도록 설명 가능한 AI(XAI) 기법을 개발하고자 한다.
• AI/ML 기반 EDA의 연구 필요성을 규명하고자 하며, 데이터 부족, 모델 해석 가능성, 공급망 보안을 위한 도구 통합을 포함한다.

제안 방법

• 딥 러닝, 강화 학습, 설명 가능한 AI(XAI)에 중점을 두어 EDA 분야의 최신 AI/ML 기법을 조사하고 통합한다.
• 하드웨어 트로이 악성코드, 사이드채널 취약성, 결함 주입 공격 탐지에 AI/ML 응용 사례를 분석한다.
• 소프트웨어 기반 취약성 탐지 방식을 모방하여 RTL 설계 중 실시간으로 엔지니어를 안내하는 AI 기반 피드백 시스템을 제안한다.
• 모델에 종속적이지 않은 해석 기법(예: 특성 기여도, 시각화 지도)과 모델에 종속적인 해석 기법을 통합하여 AI 예측을 해석한다.
• 후행 해석 방법을 사용하여 보안 인식 설계에서 AI 결정의 국소적 및 전역적 의미를 생성한다.
• EDA 워크플로우에서 신뢰도와 사용성을 향상시키기 위해 설명 가능한 모델(예: 결정 트리, 베이지안 모델)의 필요성을 강조한다.

(a)

실험 결과

연구 질문

• RQ1 AI/ML을 어떻게 활용하여 IC 설계 과정, 특히 RTL 수준에서 하드웨어 보안 취약성을 조기에 탐지할 수 있는가?
• RQ2 설명 가능한 AI(XAI)는 비보안 전문가 설계 엔지니어가 발생하는 위협을 인지하고 대응할 수 있도록 어떻게 기여할 수 있는가?
• RQ3 AI 기반 EDA 도구는 전통적인 설계 메트릭(면적, 전력, 지연 시간)과 새로운 보안 제약 조건 사이에서 어떻게 균형을 이루는가?
• RQ4 현재의 AI/ML 모델이 하드웨어 보안 분야에서 겪는 한계는 무엇인가? 특히 데이터 부족과 모델의 해석 가능성 측면에서 말이다.
• RQ5 새로운 공격 벡터가 등장함에 따라 실시간 피드백과 지속적인 재학습을 지원할 수 있도록 AI 기반 EDA 시스템은 어떻게 설계할 수 있는가?

주요 결과

• 딥 러닝과 강화 학습과 같은 AI/ML 기법은 보안 메트릭이 분석적으로 다루기 어려운 경우에도 성능과 보안 간의 복잡한 설계 트레이드오프를 효과적으로 모델링할 수 있다.
• 소프트웨어 보안에서 유래한 AI 모델을 활용해 RTL 코드에서 실시간 취약성 탐지가 가능하며, 이는 후기 실리콘 수정 대비 버그 수정 비용을 최대 1000배까지 감소시킬 수 있다.
• 특성 기여도와 시각화 지도와 같은 설명 가능한 AI(XAI) 방법은 엔지니어가 AI 기반 보안 권고를 이해하는 데 도움이 되지만, 입력 변형에 민감하여 설명이 취약할 수 있다.
• AI 기반 EDA 도구의 신뢰도와 투명도를 향상시키기 위해 설명 가능한 모델(예: 결정 트리, 베이지안 모델)의 필요성이 매우 크다.
• 현재의 AI/ML 기반 하드웨어 보안 방어 수단은 하드웨어 트로이 악성코드와 사이드채널 공격과 같은 진화하는 위협에 뒤처지고 있어, AI 네이티브 EDA 프레임워크의 도입이 긴급히 필요하다.
• AI를 EDA에 통합하기 위해서는 데이터 부족, 기밀성 보장, 도구체계 호환성 문제를 해결해야 산업적 도입이 가능해진다.

(b)