[논문 리뷰] Hardware Trojan Detection using Graph Neural Networks

Rozhin Yasaei, Liming Chen외 2명|arXiv (Cornell University)|2022. 04. 25.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 8

한 줄 요약

이 논문은 RTL 및 게이트 레벨 넷리스트의 데이터 플로우 그래프(DFGs)를 분석하기 위해 그래프 신경망(GNNs)을 사용하는 골든 레퍼런스가 없는 하드웨어 트로이 선정 방법을 제안한다. 그래프 표현으로부터 자동으로 회로 동작을 학습함으로써, 이 방법은 RTL에서 21.1ms 내에 97% 재현율을 달성하고 게이트 레벨 넷리스트에서는 13.42초 내에 84% 재현율을 달성하여, 참조 설계에 의존하지 않고도 알려진 및 알려지지 않은 HT를 빠르고 확장 가능한 방식으로 탐지할 수 있다.

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 around the world. 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, and deny the functionality of the intended design. Various HT detection methods have been proposed in the literature; however, many fall short due to their reliance on a golden reference circuit, a limited detection scope, the need for manual code review, or the inability to scale with large modern designs. We propose a novel golden reference-free HT detection method for both Register Transfer Level (RTL) and gate-level netlists by leveraging Graph Neural Networks (GNNs) to learn the behavior of the circuit through a Data Flow Graph (DFG) representation of the hardware design. We evaluate our model on a custom dataset by expanding the Trusthub HT benchmarks \cite{trusthub1}. The results demonstrate that our approach detects unknown HTs with 97% recall (true positive rate) very fast in 21.1ms for RTL and 84% recall in 13.42s for Gate-Level Netlist.

연구 동기 및 목표

• 글로벌화된 IC 공급망 내에서 신뢰할 수 없는 제3자 IP(3PIP) 및 EDA 도구 내 하드웨어 트로이(HTs)의 증가하는 위험을 해결하기 위해.
• 기존 HT 탐지 방법의 한계를 극복하기 위해 골든 레퍼런스에 의존하거나 수작업 코드 검토가 필요하거나 현대적이고 복잡한 설계에 비례하여 확장되지 않는 방법들이다.
• 기존의 알려진 HT뿐 아니라 알려지지 않은 HT를 RTL 및 게이트 레벨 넷리스트에서 식별할 수 있는 확장 가능하고 자동화되며 일반화 가능한 HT 탐지 프레임워크를 개발하기 위해.
• 그래프 기반 표현과 기계 학습을 활용하여 사전 설계 단계의 사전 실리콘 보안 검증을 가능하게 하기 위해.

제안 방법

• RTL 및 게이트 레벨 넷리스트 설계에서 데이터 플로우 그래프(DFGs)를 구성하여 신호, 레지스터 및 조합 논리 간의 데이터 및 제어 흐름을 표현한다.
• 이 DFGs에서 학습된 그래프 신경망(GNNs)은 내재된 회로 동작을 학습하여 정상적이고 악성 패턴을 자동으로 구분한다.
• GNN 모델은 수작업 특성 공학이나 골든 레퍼런스 회로가 필요 없이 엔드 투 엔드 특성 추출 및 분류를 수행한다.
• 다양한 HT 변종에서 모델을 훈련하고 평가하기 위해 Trusthub HT 벤치마크에서 확장된 고유한 데이터셋을 사용한다.
• 모델은 추론 속도 최적화를 통해 RTL에서는 21.1ms, 게이트 레벨 넷리스트에서는 13.42초 내에 탐지가 가능하도록 설계되었다.
• 기존 알려진 HT 서명을 매칭하는 것이 아니라 행동 패턴을 학습함으로써 알려지지 않은 HT에 대한 일반화를 지원한다.

Figure 1: Semiconductor supply chain, pre-silicon HT injection points. modify to include netlist as our scope.

실험 결과

연구 질문

• RQ1 골든 레퍼런스가 없는 HT 탐지 방법이 RTL 및 게이트 레벨 넷리스트에서 높은 재현율과 빠른 추론을 달성할 수 있는가?
• RQ2 GNNs가 DFG 표현으로부터 악성 패턴에 대한 사전 지식 없이도 효과적으로 학습하고 일반화할 수 있는가?
• RQ3 기존 HT 탐지 기법과 비교할 때 이 GNN 기반 방법의 확장성, 속도 및 정확도 측면에서 성능는 어떠한가?
• RQ4 기존 예시와는 다른 구조나 트리거 메커니즘을 가진 새로운 HT에 대해 모델이 얼마나 잘 일반화되는가?
• RQ5 DFG 기반 GNN 접근법이 노드 수가 많고 복잡한 상호연결을 가진 대규모 산업용 설계에 어떻게 확장 가능한가?

주요 결과

• 제안된 GNN 기반 방법은 RTL 넷리스트에서 97% 재현율과 94% F1 스코어를 달성하며, 평균 탐지 시간은 21.1ms이다.
• 게이트 레벨 넷리스트에서는 84% 재현율과 86% F1 스코어를 기록하며, 평균 탐지 시간은 13.42초이다.
• 골든 레퍼런스 회로가 필요 없이 알려지지 않은 HT를 성공적으로 탐지하여 알려진 HT 패턴을 초월한 일반화 능력을 입증하였다.
• 수작업 특성 공학이나 부분 그래프 매칭에 의존하는 전통적 방법보다 우수한 성능을 보였으며, 이는 시간이 오래 걸리고 알려진 HT 서명에 국한된다는 점에서 한계가 있다.
• DFG의 사용은 데이터 및 제어 흐름을 효과적으로 모델링할 수 있게 하여 GNN이 악성 논리의 징후가 되는 행동 이상 징후를 포착할 수 있도록 했다.
• 이 방법은 확장 가능하고 효율적이므로 산업 설계 환경에서 사전 실리콘 하드웨어 검증 플로우에 통합하기에 적합하다.

Figure 2: The RTL code of a Trojan trigger and its DFG.