[논문 리뷰] AppGNN: Approximation-Aware Functional Reverse Engineering using Graph Neural Networks

Tim Bücher, Lilas Alrahis외 4명|arXiv (Cornell University)|2022. 08. 23.

Ferroelectric and Negative Capacitance Devices인용 수 5

한 줄 요약

이 논문은 근사 계산(AxC)에 의한 기능적 역설계(Reverse Engineering, RE)에 대한 저항성을 높이기 위해 근사화 인식 그래프 노드 샘플링을 사용하는 새로운 그래프 신경망(GNN) 프레임워크인 AppGNN을 제안한다. 이는 AxC로 인한 구조적 변형에도 불구하고, 추가적인 근사화 기법에 대한 사전 지식 없이도 약간의 오차가 있는 회로—예를 들어 가산기와 곱셈기—를 정확하게 분류하고 역설계할 수 있도록 한다. 특히 진화 기반 근사 가산기에서 분류 정확도를 53%에서 81%로 향상시켰다.

ABSTRACT

The globalization of the Integrated Circuit (IC) market is attracting an ever-growing number of partners, while remarkably lengthening the supply chain. Thereby, security concerns, such as those imposed by functional Reverse Engineering (RE), have become quintessential. RE leads to disclosure of confidential information to competitors, potentially enabling the theft of intellectual property. Traditional functional RE methods analyze a given gate-level netlist through employing pattern matching towards reconstructing the underlying basic blocks, and hence, reverse engineer the circuit's function. In this work, we are the first to demonstrate that applying Approximate Computing (AxC) principles to circuits significantly improves the resiliency against RE. This is attributed to the increased complexity in the underlying pattern-matching process. The resiliency remains effective even for Graph Neural Networks (GNNs) that are presently one of the most powerful state-of-the-art techniques in functional RE. Using AxC, we demonstrate a substantial reduction in GNN average classification accuracy-- from 98% to a mere 53%. To surmount the challenges introduced by AxC in RE, we propose the highly promising AppGNN platform, which enables GNNs (still being trained on exact circuits) to: (i) perform accurate classifications, and (ii) reverse engineer the circuit functionality, notwithstanding the applied approximation technique. AppGNN accomplishes this by implementing a novel graph-based node sampling approach that mimics generic approximation methodologies, requiring zero knowledge of the targeted approximation type. We perform an extensive evaluation and show that, using our method, we can improve the classification accuracy from 53% to 81% when classifying approximate adder circuits that have been generated using evolutionary algorithms, which our method is oblivious of.

연구 동기 및 목표

• 반도체 회로(IC)의 기능적 역설계(Reverse Engineering, RE)에 대해 근사 계산(Approximate Computing, AxC)이 초래하는 보안 영향을 조사하는 것.
• 기존의 RE 방법—특히 템플릿 매칭 및 GNN 기반 접근 방식—이 근사 회로에 적용되었을 때의 한계를 규명하는 것.
• AxC로 인한 구조적 변형에도 불구하고 회로를 분류하고 역설계하는 데 효과적인 GNN 기반 프레임워크를 개발하는 것.
• 일반적인 근사화 패턴을 모방하는 그래프 샘플링 전략을 설계하여, GNN이 알려지지 않은 AxC 기법에 일반화할 수 있도록 하는 것.
• 최신의 진화 기반 근사 기법까지 포함한 다양한 근사 가산기 및 곱셈기 회로에서 제안된 AppGNN 프레임워크를 평가하는 것.

제안 방법

• AppGNN는 특정 근사화 기법에 대한 사전 지식 없이도 AxC에서 흔히 볼 수 있는 근사 패턴(예: 비트 자르기 또는 0 패딩)을 모방하는 새로운 기반 그래프 기반 노드 샘플링 방법을 사용한다.
• 이 프레임워크는 랜덤 노드 샘플링과 잎 노드 샘플링이라는 두 가지 샘플링 전략을 사용하며, 이는 근사 회로의 구조적 특성을 그래프 표현에서 유지하도록 설계되어 있다.
• AppGNN는 정확한 회로에서 GNN을 훈련하지만, 추론 단계에서는 샘플된 그래프를 적용하여 근사 대응 회로의 분류 정확도를 향상시킨다.
• 샘플된 그래프와 실제 근사 회로 사이의 구조적 유사성을 활용하여, GNN이 다양한 AxC 기법에 일반화할 수 있도록 한다.
• 다양한 수준의 근사화 공격성에 따라 ACA, LOBA, ROBA, LTA, LCA, EvoApprox 가산기 및 곱셈기 등 여러 데이터셋을 사용해 평가하였다.
• AppGNN는 GitHub에 공개되어 있어 재현성과 기존의 RE 파이프라인에의 통합을 가능하게 한다.

실험 결과

연구 질문

• RQ1 근사 계산(AxC)이 최신의 GNN 기반 기능적 역설계(RE) 방법의 성능에 얼마나 심각하게 악영향을 미치는가?
• RQ2 특정 근사화 기법을 사전에 알지 못하더라도 GNN 기반의 RE 프레임워크를 AxC에 강건하게 만들 수 있는가?
• RQ3 근사화 공격성 증가에 따라 AppGNN이 GNN-RE에 비해 근사 가산기 및 곱셈기 회로를 분류하는 데 얼마나 효과적인가?
• RQ4 랜덤 샘플링 대비 잎 노드 샘플링 전략의 선택이 다양한 AxC 유형에서 분류 정확도에 유의미한 영향을 미치는가?
• RQ5 AppGNN는 근사 회로에서 성능을 크게 향상시키는 동시에 정확한 회로에서의 성능은 거의 동일하게 유지할 수 있는가?

주요 결과

• AppGNN는 진화 기반 근사 가산기에서 GNN 기반 역설계 정확도를 53%에서 81%로 향상시켜 28%포인트의 개선을 이뤘으며, 이는 사용된 진화 기반 근사화 기법을 모른 채로도 가능했다.
• 평균적으로 AppGNN는 모든 가산기 회로 유형에서 GNN-RE를 초월했으며, 특히 EvoApprox 데이터셋에서 28%포인트의 가장 큰 향상을 기록했다.
• LTA 기반 회로에서는 최대 91%의 분류 정확도를 달성했으며, 이는 비트 자르기로 인해 발생하는 고립된 노드 덕분에 샘플된 그래프와의 구조적 유사성 덕분이었다.
• 곱셈기 회로에서는 ROBA 기반 회로에서 GNN-RE보다 3.7%포인트 높은 성능을 보였지만, EvoApprox 곱셈기에서는 14.2%포인트 낮은 성능을 보이며 근사화 기법에 민감함을 보였다.
• 정확한 회로에서는 GNN-RE와 거의 동일한 성능(최대 1.3%포인트 이내의 차이)을 유지했으며, 이는 비근사 설계와의 호환성을 확인했다.
• GNN-RE의 분류 정확도는 근사화 공격성 증가에 따라 급격히 감소하는 반면, AppGNN는 상대적으로 낮은 감소율을 보이거나, 일부 경우(예: EvoApprox 가산기)에서는 오히려 향상되는 경향을 보였다.