[논문 리뷰] Deep RNN-Oriented Paradigm Shift through BOCANet: Broken Obfuscated Circuit Attack

Fatemeh Tehranipoor, Nima Karimian외 2명|arXiv (Cornell University)|2018. 03. 08.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 6

한 줄 요약

이 논문은 BOCANet를 소개하며, 이는 심층 순환 신경망(D-RNN) 기반 공격으로, 논리 암호화된 하드웨어 간섭을 SAT 기반 공격보다 최대 20배 빠르게 해독하며, 입력/출력 패턴의 0.5% 미만으로 90% 이상의 성공률를 달성한다. 이는 기밀 키에 대한 사전 지식 없이도 키 복구 및 입력/출력 예측을 가능하게 하여 딥러닝을 활용한 하드웨어 보안 위협의 패러다임 전환을 이룬다.

ABSTRACT

This is the first work augmenting hardware attacks mounted on obfuscated circuits by incorporating deep recurrent neural network (D-RNN). Logic encryption obfuscation has been used for thwarting counterfeiting, overproduction, and reverse engineering but vulnerable to attacks. There have been efficient schemes, e.g., satisfiability-checking (SAT) based attack, which can potentially compromise hardware obfuscation circuits. Nevertheless, not only there exist countermeasures against such attacks in the state-of-the-art (including the recent delay+logic locking (DLL) scheme in DAC'17), but the sheer amount of time/resources to mount the attack could hinder its efficacy. In this paper, we propose a deep RNN-oriented approach, called BOCANet, to (i) compromise the obfuscated hardware at least an order-of magnitude more efficiently (>20X faster with relatively high success rate) compared to existing attacks; (ii) attack such locked hardware even when the resources to the attacker are only limited to insignificant number of I/O pairs (< 0.5\\%) to reconstruct the secret key; and (iii) break a number of experimented benchmarks (ISCAS-85 c423, c1355, c1908, and c7552) successfully.

연구 동기 및 목표

• 논리 암호화된 회로에 대한 기존 SAT 기반 공격의 한계를 해결하기 위해, 이는 높은 성공률를 보이지만 시간과 자원을 많이 소모하기 때문이다.
• 오목한 하드웨어의 키 복구에 필요한 시간과 자원을 크게 줄일 수 있도록 심층 학습을 활용한 새로운 공격 프레임워크를 개발하기 위해.
• 기밀 키에 대한 액세스 없이도 최소한의 관측된 I/O 쌍만으로도 효과적인 키 복구 및 입력/출력 예측을 가능하게 하기 위해.
• 다양한 ISCAS-85 벤치마크에서 키 크기와 회로 복잡도가 다양할 때에도 제안된 방법의 강건성과 일반화 능력을 평가하기 위해.

제안 방법

• BOCANet는 오목한 회로의 입력-출력 동작을 모델링하기 위해 심층 순환 신경망(D-RNN)을 사용하며, 훈련용 I/O 쌍에서 기능적 매핑을 학습한다.
• 공격는 D-RNN이 대상 오목한 회로의 관측된 입력/출력 패턴의 소수의 부분집합(0.5% 미만)에서 훈련되는 지도 학습 단계를 사용한다.
• 테스트 단계에서는 훈련된 D-RNN이 기밀 키가 없이도 알려지지 않은 입력에 대한 출력을 예측하며, 이는 키에 의존하지 않는 출력 추측을 가능하게 한다.
• 두 번째 공격 변형은 D-RNN을 역방향으로 사용하여 원하는 출력 패턴이 주어졌을 때 알려지지 않은 입력 패턴을 예측함으로써 이중 방향 추론 능력을 입증한다.
• D-RNN 아키텍처는 하나 또는 두 개의 은닉층을 사용하여 입력 및 출력 패턴의 시퀀스 모델링을 가능하게 하여 기능적 의존성을 포착한다.
• 이 방법은 키 크기가 32비트에서 256비트까지 다양하게 설정된 네 개의 ISCAS-85 벤치마크(c423, c1355, c1908, c7552)에서 평가되어 스케일링 및 강건성을 점검한다.

실험 결과

연구 질문

• RQ1 SAT 기반 공격에 비해 훨씬 적은 시간과 자원 소비로 심층 순환 신경망을 효과적으로 사용하여 논리 암호화된 하드웨어의 기밀 키를 복구할 수 있는가?
• RQ2 기밀 키에 대한 지식 없이 D-RNN 모델이 오목한 회로의 알려지지 않은 입력 또는 출력 패턴을 어느 정도 정확하게 예측할 수 있는가?
• RQ3 D-RNN 기반 공격의 성능은 다양한 벤치마크 회로와 키 크기(32비트에서 256비트)에 따라 어떻게 스케일링되는가?
• RQ4 제안된 방법은 최소한의 I/O 액세스로도 지연+논리 잠금(DLL)과 같은 고급 대응 조치를 극복할 수 있는가?
• RQ5 D-RNN이 키 복구 및 기능 예측에서 높은 정확도를 달성하기 위해 필요한 최소한의 I/O 패턴 수는 얼마인가?

주요 결과

• BOCANet는 네 개의 ISCAS-85 벤치마크 전반에서 32비트 키 크기에서는 100% 성공률, 64비트에서는 94%, 128비트에서는 92%, 256비트에서는 89%의 성공률를 기록한다.
• 전통적인 SAT 기반 공격보다 20배 이상 빠르지만 높은 성공률를 유지하여 효율성이 크게 향상된다.
• 훈련에 총 I/O 패턴의 0.5% 미만만 필요로 하여 높은 데이터 효율성을 입증한다.
• D-RNN 모델은 모든 벤치마크에서 예측된 출력 패턴을 거의 완벽한 일치로 정확히 예측하며, 그 결과는 그림 7(a)–(d)에 나타나 있다.
• 모델은 또한 원하는 출력에서 알려지지 않은 입력 패턴을 정확히 예측하며, 그림 8(a)–(d)에서 예측된 입력 선과 실제 입력 선이 겹침을 확인하여 이중 방향 추론 능력을 확인한다.
• D-RNN은 기밀 키에 대한 액세스 없이도 기능적 동작을 학습하므로 공격자가 기밀 키를 알지 못하더라도 완전히 무관심하며, 이는 키에 의존하지 않는 역공학을 가능하게 한다.