[논문 리뷰] Automatic Hardware Trojan Insertion using Machine Learning

Jonathan Cruz, Pravin Gaikwad외 3명|arXiv (Cornell University)|2022. 04. 18.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 10

한 줄 요약

이 논문은 기존 트로이 악성코드에서 다차원적 특징을 학습함으로써 자동으로 고해상도 하드웨어 트로이 악성코드 벤치마크를 생성하는 기계학습 기반 프레임워크인 MIMIC을 제안한다. 훈련된 모델을 사용해 정밀한 트리거 및 피로드 넷을 식별한 후, 최대 80%의 Top-5 정확도로 가상 트로이 악성코드를 설계에 바인딩하며, 기계학습 지도 없이 수행하는 기존 기반 방법보다 뚜렷하게 뛰어난 성능을 보인다.

ABSTRACT

Due to the current horizontal business model that promotes increasing reliance on untrusted third-party Intellectual Properties (IPs), CAD tools, and design facilities, hardware Trojan attacks have become a serious threat to the semiconductor industry. Development of effective countermeasures against hardware Trojan attacks requires: (1) fast and reliable exploration of the viable Trojan attack space for a given design and (2) a suite of high-quality Trojan-inserted benchmarks that meet specific standards. The latter has become essential for the development and evaluation of design/verification solutions to achieve quantifiable assurance against Trojan attacks. While existing static benchmarks provide a baseline for comparing different countermeasures, they only enumerate a limited number of handcrafted Trojans from the complete Trojan design space. To accomplish these dual objectives, in this paper, we present MIMIC, a novel AI-guided framework for automatic Trojan insertion, which can create a large population of valid Trojans for a given design by mimicking the properties of a small set of known Trojans. While there exist tools to automatically insert Trojan instances using fixed Trojan templates, they cannot analyze known Trojan attacks for creating new instances that accurately capture the threat model. MIMIC works in two major steps: (1) it analyzes structural and functional features of existing Trojan populations in a multi-dimensional space to train machine learning models and generate a large number of "virtual Trojans" of the given design, (2) next, it binds them into the design by matching their functional/structural properties with suitable nets of the internal logic structure. We have developed a complete tool flow for MIMIC, extensively evaluated the framework by exploring several use-cases, and quantified its effectiveness to demonstrate highly promising results.

연구 동기 및 목표

• 검출 및 검증 도구 평가를 위한 다양한 실재성 있는 하드웨어 트로이 악성코드 벤치마크의 부족을 해결하기 위해.
• 정적 또는 신호 확률 기반 삽입을 초월해 복잡한 다차원 하드웨어 트로이 악성코드 공격 공간을 자동 탐색할 수 있도록 하기 위해.
• 기존 트로이 악성코드의 행동을 모방하면서도 새로운 유효한 트로이 악성코드 인스턴스를 생성할 수 있는 융통성 있는 AI 기반 프레임워크를 개발하기 위해.
• 불신뢰할 수 있는 반도체 공급망에서 진화하는 위협 모델을 반영하는 고품질의 합성 트로이 악성코드 벤치마크를 생성하는 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• MIMIC는 기존 트로이 악성코드 풀에서 추출한 다차원적 구조적 및 기능적 특징을 기반으로, 트리거 넷, 피로드 넷, 전체 트로이 악성코드 행동에 대해 세 개의 기계학습 모델을 훈련한다.
• 프레임워크는 평탄화된 Verilog 넷리스트를 분석하여 훈련된 모델의 피트니스 스코어를 기반으로 후보 트리거 및 피로드 넷을 식별한다.
• 각 후보 넷 쌍은 기능적 및 구조적 검증을 통해 유효성을 확인하고, 조합 회로 루프나 일관되지 않은 동작을 방지한다.
• 가상 트로이 악성코드는 후보 넷 쌍의 특징 세트를 기준 트로이 악성코드 행동 벡터에 매핑하여 생성되며, 유사도 기반으로 순위가 매겨진다.
• 최적의 가상 트로이 악성코드는 사용자 설정 가능한 매개변수(템플릿 유형, 특징 가중치, 모델 선택 등)를 사용해 트로이 악성코드 템플릿을 통해 설계에 바인딩된다.
• 프레임워크는 동일 템플릿 삽입과 크로스 템플릿 삽입을 모두 지원하여, 다양한 트로이 악성코드 행동 간 모델 일반화 능력을 평가할 수 있다.

실험 결과

연구 질문

• RQ1 기계학습 프레임워크가 정교한 하드웨어 트로이 악성코드의 다차원적 특징을 효과적으로 학습하고 복제하여 새로운 유효한 트로이 악성코드 인스턴스를 생성할 수 있는가?
• RQ2 특정 유형의 트로이 악성코드 템플릿에 대해 훈련된 프레임워크가 다른 트로이 악성코드 템플릿에 대해 얼마나 잘 일반화되는가, 특히 조합 논리 및 순차 논리 간에?
• RQ3 트리거, 피로드, 전체 트로이 악성코드 행동 모델을 통합함으로써 생성된 트로이 악성코드의 정확도와 품질에 어떤 영향을 미치는가?
• RQ4 일차원적 신호 확률 제약 조건을 초월해 더 넓은 트로이 악성코드 공격 공간을 얼마나 효과적으로 탐색할 수 있는가?
• RQ5 다양한 기능적 동작(예: DoS 또는 데이터 유출 유형)을 가진 트로이 악성코드를 삽입할 경우, 프레임워크의 성능는 어떻게 변하는가?

주요 결과

• 트리거, 피로드, 트로이 악성코드 행동의 세 모델을 모두 포함한 MIMIC는 트로이 악성코드 삽입에 적합한 넷 쌍을 식별하는 데 약 80%의 Top-5 정확도를 달성하며, 기계학습 지도 없이 수행하는 기반 방법 대비 74% 향상된 성능을 보인다.
• 트리거 모델과 피로드 모델을 개별적으로 포함함으로써 Top-5 정확도는 각각 16%와 20% 향상되었으며, 이는 각 모델이 성능 향상에 기여하는 바를 입증한다.
• 동일한 벤치마크에 다른 트로이 악성코드 템플릿을 삽입할 경우, 조합 논리 템플릿(c1 및 c2)에 대해 평균 87%의 Top-5 정확도를 기록하여 유사 행동 클래스 내에서 강력한 일반화 능력을 보였다.
• 순차 논리 템플릿(s1 및 s2)의 경우, 특징 공간 겹침이 낮고 구조적 복잡성이 높아 성능이 급격히 떨어졌으며, 각각 9.09%와 11.11%의 Top-5 정확도를 기록했다.
• 모델을 제외한 경우에도 프레임워크는 유효한 트로이 악성코드 위치를 식별할 수 있었으며, 정확도는 낮아졌지만 구조적 및 기능적 검증 파이프라인의 강건성을 확인했다.
• 결과적으로 MIMIC는 실제 정교한 트로이 악성코드 행동을 효과적으로 모방하는 고품질의 합성 트로이 악성코드 벤치마크를 생성할 수 있으며, 대응 조치의 더 엄격한 평가를 가능하게 한다.