[논문 리뷰] Designing ML-Resilient Locking at Register-Transfer Level

Dominik Šišejković, Luca Collini외 4명|arXiv (Cornell University)|2022. 03. 10.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 6

한 줄 요약

이 논문은 레지스터 트ansfer 수준( RTL) 설계에 대한 기계학습(ML) 기반 공격에 대비해 두 가지 ML 내성 있는 RTL 잠금 기법—ERA(정확한 ML 내성 알고리즘)와 HRA(휴리스틱 ML 내성 알고리즘)—을 제안한다. 균형 잠금 기반 연산 가로막힘을 통해 ERA는 평균적으로 랜덤 추측(50%) 이하인 47.92%의 키 예측 정확도를 달성하여 강력한 ML 내성 성능을 입증한다. 반면 HRA는 중간 수준의 내성 성능을 확보하면서도 제약 조건 하에서의 균형을 조절하는 데 성공한다.

ABSTRACT

Various logic-locking schemes have been proposed to protect hardware from intellectual property piracy and malicious design modifications. Since traditional locking techniques are applied on the gate-level netlist after logic synthesis, they have no semantic knowledge of the design function. Data-driven, machine-learning (ML) attacks can uncover the design flaws within gate-level locking. Recent proposals on register-transfer level (RTL) locking have access to semantic hardware information. We investigate the resilience of ASSURE, a state-of-the-art RTL locking method, against ML attacks. We used the lessons learned to derive two ML-resilient RTL locking schemes built to reinforce ASSURE locking. We developed ML-driven security metrics to evaluate the schemes against an RTL adaptation of the state-of-the-art, ML-based SnapShot attack.

연구 동기 및 목표

• 오라클이 없는 상황에서 RTL 논리 잠금의 기계학습(ML) 기반 공격에 대한 취약성을 해결하기 위해.
• 연산 가로막힘에 중점을 두어 RTL 잠금의 ML 내성 평가를 위한 새로운 보안 메트릭을 개발하기 위해.
• 데이터 기반 공격에 대한 저항력을 향상시키기 위해 두 가지 새로운 잠금 알고리즘—ERA와 HRA—를 설계하고 평가하기 위해.
• 최신 기술인 SnapShot 공격을 RTL 수준에 맞게 적응시켜 ML 내성의 현실적인 평가를 수행하기 위해.
• 균형 잡힌 연산 가로막힘이 효과적인 ML 내성에 필수적임을 입증하기 위해, 즉 부분적인 불균형은 성공적인 키 복구를 가능하게 한다.

제안 방법

• 키 제어 연산 쌍을 추출하고 이를 수치 벡터로 인코딩하여, 오라클이 없는 SnapShot 공격을 RTL 넷리스트에서 작동하도록 적응시켰다.
• Pyverilog 라이브러리를 사용해 RTL 구조를 파싱하고 추출하였으며, auto-sklearn를 활용해 기계학습 모델 선택 및 하이퍼파라미터 튜닝을 자동화하였다.
• 모든 설계 연산에서 완벽한 균형을 보장하는 정확한 알고리즘인 ERA를 제안하여 ML 공격 패tern을 제거하였다.
• 제약된 키 예산 내에서 연산 불균형을 점진적으로 감소시키는 휴리스틱 알고리즘인 HRA를 제안하여 ML 내성을 향상시켰다.
• 휴리스틱 잠금을 이끄는 데 사용할 수 있도록, 초기 연산 분포와 최적의 균형 분포 사이의 거리 기반 보안 메트릭을 정의하였다.
• 모든 기법에 대해 벤치마크 당 10회 키 재잠금 설정을 사용해 테스트 데이터를 확보하고, 각 샘플 당 1,000회 재잠금을 통해 학습 데이터를 구성하여 공격자가 최선의 조건에서 작동하는 상황을 시뮬레이션하였다.

실험 결과

연구 질문

• RQ1 구조적 패턴이 유지되는 경우, ML 기반 공격이 RTL 잠금 설계에서 키를 성공적으로 복구할 수 있는가?
• RQ2 RTL 잠금에서의 연산 불균형은 얼마나 데이터 기반 공격이 랜덤 추측 수준을 초월한 정확도로 키를 예측할 수 있도록 허용하는가?
• RQ3 RTL 설계에서 연산 가로막힘의 정확한 균형 조절이 최적의 공격 조건 하에서도 ML 기반 키 복구를 완전히 차단할 수 있는가?
• RQ4 특히 키 예산 제약 조건 하에서, 불균형 감소를 위한 휴리스틱 접근 방식은 정확한 균형 조절 대비 ML 내성에서 얼마나 우수한가?
• RQ5 伝통적인 보안 조치 외에, ML 내성을 효과적으로 측정할 수 있는 메트릭은 무엇인가?

주요 결과

• 원본 ASSURE RTL 잠금 기법은 적응된 SnapShot 공격 하에서 평균 키 예측 정확도(KPA)가 74.78%를 기록하여, ML 기반 키 복구에 매우 취약함을 시사한다.
• HRA 휴리스틱 알고리즘은 평균 KPA가 74.26%를 기록하여, 잔존하는 연산 불균형으로 인해 원본 ASSURE 대비 거의 향상되지 않았다.
• ERA 정확 알고리즘은 평균 KPA가 47.92%를 기록하여, 랜덤 추측 기준인 50% 이하로 떨어지며 완벽한 연산 균형 조절을 통한 효과적인 ML 내성 성능을 입증하였다.
• 연구 결과, 단 25%의 비가로막힌 연산만으로도 ML 공격가 랜덤 추측 수준보다 약 24%포인트 높은 정확도를 달성할 수 있음을 확인하여, 부분적 불균형의 위험성을 입증하였다.
• 최적 균형에서의 분포 거리 기반으로 제안된 보안 메트릭은 ML 공격에 취약한 설계를 효과적으로 식별하고, 내성 있는 잠금 기법 설계를 이끄는 데 성공하였다.
• 이 연구는 오라클이 없는, RTL 잠금을 대상으로 한 최초의 ML 기반 공격을 제시하며, SnapShot 프레임워크를 RTL 추상화 수준에 최초로 적응시켰다.