[논문 리뷰] Estimating the Circuit Deobfuscating Runtime based on Graph Deep Learning

Zhiqian Chen, Gaurav Kolhe외 5명|arXiv (Cornell University)|2019. 02. 14.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 36인용 수 4

한 줄 요약

이 논문은 그래프 딥러닝 프레임워크인 ICNet을 제안하며, 회로의 구조적 특성과 게이트 특징을 종단 간(end-to-end)으로 모델링하여 오버클러킹된 디지털 회로의 SAT 기반 복호화 소요 시간을 예측한다. 이는 기존의 브루트포스 솔버 대비 99.95%의 시간 절감과 함께 최신 기술 수준의 정확도와 안정성을 달성한다.

ABSTRACT

Circuit obfuscation is a recently proposed defense mechanism to protect digital integrated circuits (ICs) from reverse engineering by using camouflaged gates i.e., logic gates whose functionality cannot be precisely determined by the attacker. There have been effective schemes such as satisfiability-checking (SAT)-based attacks that can potentially decrypt obfuscated circuits, called deobfuscation. Deobfuscation runtime could have a large span ranging from few milliseconds to thousands of years or more, depending on the number and layouts of the ICs and camouflaged gates. And hence accurately pre-estimating the deobfuscation runtime is highly crucial for the defenders to maximize it and optimize their defense. However, estimating the deobfuscation runtime is a challenging task due to 1) the complexity and heterogeneity of graph-structured circuit, 2) the unknown and sophisticated mechanisms of the attackers for deobfuscation. To address the above mentioned challenges, this work proposes the first machine-learning framework that predicts the deobfuscation runtime based on graph deep learning techniques. Specifically, we design a new model, ICNet with new input and convolution layers to characterize and extract graph frequencies from ICs, which are then integrated by heterogeneous deep fully-connected layers to obtain final output. ICNet is an end-to-end framework which can automatically extract the determinant features for deobfuscation runtime. Extensive experiments demonstrate its effectiveness and efficiency.

연구 동기 및 목표

• 오버클러킹된 IC의 SAT 기반 복호화 소요 시간을 정확하고 효율적으로 추정하는 데 있어 핵심적인 과제를 해결함으로써 보안 방어 최적화에 기여하고자 한다.
• 가능한 오버클러킹 구성의 지수적 탐색 공간으로 인해 비효율적이고 비현실적인 히ュ리스틱 기반의 오버클러킹 선택 방법의 한계를 극복하고자 한다.
• IC의 그래프 구조적이고 이질적인 특성과 복호화 공격의 복잡하고 비선형적인 행동을 다룰 수 있는 확장성 있고 종단 간(end-to-end) 기계학습 프레임워크를 개발하고자 한다.
• 시간이 많이 소요되는 공격자 시뮬레이션 대신 빠르고 정확한 소요 시간 예측을 통해 오버클러킹 전략의 빠른 평가를 가능하게 하고자 한다.
• 수동적인 특징 공학 없이도 회로의 구조적 특성과 게이트 속성으로부터 관련 특징을 자동으로 추출할 수 있는 안정적이고 일반화된 모델을 제공하고자 한다.

제안 방법

• 오버클러킹된 IC의 구조적 특성과 구조적 특징을 효과적으로 캡처하기 위해 고안된 맞춤형 컨볼루션 레이어를 갖춘 새로운 그래프 신경망 아키텍처인 ICNet을 제안한다.
• 기존 GCN에서 흔히 볼 수 있는 속성 전파 방식을 피하고 국소적 게이트 표현과 그 상호작용에 집중함으로써 IC에 부적합한 기존의 그래프 컨볼루션 연산자를 새롭게 도입한다.
• 게이트 수준의 특징(예: 게이트 유형, 수)과 회로의 구조적 특징을 복합 완전 연결 네트워크를 통해 통합된 임베딩 공간으로 통합하여 회귀 분석에 활용한다.
• 원시적인 회로 그래프와 오버클러킹 구성으로부터 특징 표현과 복호화 소요 시간 예측을 동시에 학습하는 종단 간(end-to-end) 학습 프레임워크를 적용한다.
• 어텐션 메커니즘을 활용해 특징 중요도를 정량적으로 분석하여, 게이트 수가 소요 시간 예측에 가장 영향을 미치는 요소임을 규명한다.
• 실제 ISCAS85 및 ITC99 벤치마크 데이터셋을 대상으로 GCN, ChebNet, 고전적 회귀 모델 등 다양한 베이스라인과의 비교를 통해 모델을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 복잡하고 이질적인 회로 그래프의 특성에도 불구하고, 그래프 딥러닝 모델이 오버클러킹된 IC의 SAT 기반 복호화 소요 시간을 정확하게 예측할 수 있는가?
• RQ2 실제 오버클러킹 회로 데이터셋에서 기존의 기계학습 및 그래프 신경망 베이스라인 대비 제안된 ICNet 모델의 정확도와 안정성은 어떻게 비교되는가?
• RQ3 게이트 수, 게이트 유형 등 회로 속성 중 복호화 소요 시간을 가장 잘 예측하는 요소는 무엇이며, 어텐션 메커니즘을 통해 이러한 관계를 규명할 수 있는가?
• RQ4 실제 SAT 솔버 실행 대비 제안된 모델이 소요 시간 예측을 통해 오버클러킹 정책 탐색의 확장성을 얼마나 높일 수 있는가?
• RQ5 다양한 오버클러킹 전략과 입력 특징 설정(예: 위치 정보만 vs. 전체 특징 입력)에 대해 모델의 성능은 얼마나 견고한가?

주요 결과

• ICNet는 데이터셋 1에서 평균 제곱오차(MSE) 0.0040, 데이터셋 2에서 0.0043을 기록하여 GCN, ChebNet, 고전적 회귀 모델 등 모든 베이스라인을 압도하는 성능을 보였다.
• ICNet-NN는 ICNet의 신경망 버전으로서 모든 지표에서 최고 성능을 기록했으며, 데이터셋 1에서 MSE 0.0040, 데이터셋 2에서 0.0043을 기록했고, 다양한 특징 설정 간 변동성이 극히 적었다.
• 모델은 평균 1.1336초의 예측 시간을 기록하여 실제 SAT 솔버가 가장 느린 경우 최대 2411.11초가 소요되는 것에 비해 99.95%의 시간 절감을 이뤘다.
• 어텐션 분석 결과, 게이트 수는 모델의 어텐션에 평균 56.40% 기여했으며, 실제 소요 시간과 피어슨 상관계수 0.8238, 스피어만 순위 상관계수 0.9722를 기록하여 강력한 예측 능력을 입증했다.
• ICNet는 GCN 및 ChebNet 대비 더 뛰어난 안정성을 보였으며, 입력 특징 선택(예: 위치 정보만 vs. 전체 특징)에 민감도가 낮아 설정 간 MSE 차이가 작았다.
• 선형 모델인 LASSO, Ridge, SVR는 높은 변동성 또는 일정한 예측을 보였지만, ICNet는 회로 구조와 복호화 난이도 사이의 비선형 관계를 효과적으로 포착하여 이를 능가했다.