[논문 리뷰] Golden Reference-Free Hardware Trojan Localization using Graph Convolutional Network

Rozhin Yasaei, Sina Faezi외 1명|arXiv (Cornell University)|2022. 07. 14.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 5

한 줄 요약

이 논문은 사전 설계 단계의 RTL 설계에서 악성 노드를 자동으로 탐지하기 위해 그래프 컬러이션 네트워크(GCN)를 사용하는 골든 레퍼런스가 없는 하드웨어 트로이(Hardware Trojan, HT) 국소화 방법을 제안한다. 회로를 그래프로 변환하고 GCN를 활용해 엔드 투 엔드 노드 분류를 수행함으로써, 99.6%의 정확도와 0.009% 이하의 가짜 양성률(false positive rate)을 달성하여 수동 특징 공학 또는 신뢰할 수 있는 레퍼런스 설계가 필요 없게 한다.

ABSTRACT

The globalization of the Integrated Circuit (IC) supply chain has moved most of the design, fabrication, and testing process from a single trusted entity to various untrusted third-party entities worldwide. The risk of using untrusted third-Party Intellectual Property (3PIP) is the possibility for adversaries to insert malicious modifications known as Hardware Trojans (HTs). These HTs can compromise the integrity, deteriorate the performance, deny the service, and alter the functionality of the design. While numerous HT detection methods have been proposed in the literature, the crucial task of HT localization is overlooked. Moreover, a few existing HT localization methods have several weaknesses: reliance on a golden reference, inability to generalize for all types of HT, lack of scalability, low localization resolution, and manual feature engineering/property definition. To overcome their shortcomings, we propose a novel, golden reference-free HT localization method at the pre-silicon stage by leveraging Graph Convolutional Network (GCN). In this work, we convert the circuit design to its intrinsic data structure, graph and extract the node attributes. Afterward, the graph convolution performs automatic feature extraction for nodes to classify the nodes as Trojan or benign. Our automated approach does not burden the designer with manual code review. It locates the Trojan signals with 99.6% accuracy, 93.1% F1-score, and a false-positive rate below 0.009%.

연구 동기 및 목표

• 광범위한 HT 탐지 연구에도 불구하고 자주 간과되는 하드웨어 트로이(HT) 국소화의 핵심적 격차를 해결한다.
• 골든 레퍼런스에 의존하거나 일반화 능력이 떨어지거나 수동 특징 공학을 요구하는 기존 HT 국소화 방법의 한계를 극복한다.
• 신뢰할 수 있는 레퍼런스 회로가 필요 없이 자동화되고 확장 가능하며 고해상도의 RTL 설계에서 HT 국소화를 가능하게 한다.
• 위계적 구조적 패턴을 유지하고 엔드 투 엔드 분류를 가능하게 하는 그래프 기반 딥 러닝 프레임워크를 개발한다.
• 다양한 유형의 HT와 회로 크기에서 높은 성능을 달성하면서도 가짜 양성률을 최소화한다.

제안 방법

• 레지스터 전달 수준(Register Transfer Level, RTL) 하드웨어 설계를 그래프 데이터 구조로 변환하여, 설계 요소(예: 레지스터, 와이어, 모듈)를 노드로, 그들 간의 연결을 간선으로 정의한다.
• RTL 코드에서 신호 유형, 제어 흐름, 구조적 성질 등의 노드 속성을 추출하여 그래프 표현을 풍부하게 한다.
• 지역적 및 전반적인 구조적 패턴을 모두 캡처할 수 있도록, 4층의 그래프 컬러이션 네트워크(GCN)를 적용하여 자동이고 계층적인 특징 학습을 수행한다.
• HT 회로의 크기가 작아서 발생하는 클래스 불균형 문제를 해결하기 위해, 6:1의 클래스 가중치 비율(Trojan:benign)을 사용한 가중치가 부여된 교차 엔트로피 손실 함수를 사용한다.
• 모델을 훈련시켜 각 노드를 정상 또는 트로이로 분류함으로써, 악성 구성 요소의 정밀한 국소화를 가능하게 한다.
• GCN, GAT, LEC의 다양한 깊이(2–4층)에 대한 추론 실험을 통해 모델 아키텍처와 하이퍼파라미터를 최적화하고, 가장 우수한 성능을 보인 구성으로 선택한다.

Figure 1: IC supply chain which is vulnerable to HT insertion in different stages.

실험 결과

연구 질문

• RQ1 골든 레퍼런스 설계에 의존하지 않고 GCN 기반 접근 방식이 높은 정확도로 하드웨어 트로이를 국소화할 수 있는가?
• RQ2 그래프 표현 학습은 RTL 설계에서 HT를 나타내는 구조적 및 기능적 이면을 얼마나 효과적으로 포착할 수 있는가?
• RQ3 GCN에서의 자동 특징 학습은 수동 특징 공학에 비해 HT 탐지 및 국소화에서 얼마나 뛰어난 성능을 보일 수 있는가?
• RQ4 HT 데이터셋의 클래스 불균형은 모델 성능에 어떤 영향을 미치며, 어떤 손실 가중치 전략이 탐지 성능을 최적화하고 가짜 양성률을 최소화하는가?
• RQ5 제안된 방법은 다양한 유형의 HT와 회로 크기에서 일관된 높은 성능을 유지하며 일반화 가능한가?

주요 결과

• 제안된 GCN 기반 방법은 다양한 벤치마크 회로에서 하드웨어 트로이 국소화에 99.6%의 정확도를 달성한다.
• 모델은 트로이 노드를 식별할 때 정밀도와 재현율 사이의 균형이 우수한 93.1%의 F1 스코어를 확보한다.
• 가짜 양성률은 0.009% 이하로 유지되어 잘못된 경고를 최소화하는 데 높은 신뢰성을 보여준다.
• 손실 함수에 최적의 클래스 가중치로 6:1(Trojan:benign)이 결정되었으며, 이는 데이터셋 불균형 문제를 해결하고 F1 스코어를 최대화한다.
• 4층 GCN은 GAT 및 LEC 모델보다 우수한 성능을 보이며, 깊이가 증가할수록 성능 향상이 관찰되어 이 작업에 적합함을 확인한다.
• 다양한 HT 유형(예: DES, RC5)과 회로 크기에서 잘 일반화되며, 모든 벤치마크 평균 성능이 높은 안정성을 보여준다.

Figure 2: Overview of our HT localization methodology in training and inference phases.