[논문 리뷰] Hardware Trust and Assurance through Reverse Engineering: A Survey and Outlook from Image Analysis and Machine Learning Perspectives

Ulbert J. Botero, Ronald S. Wilson외 8명|arXiv (Cornell University)|2020. 02. 11.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 200인용 수 29

한 줄 요약

이 논문은 통합 회로(IC) 및 인쇄 회로 기판(PCA)의 신뢰성 및 보증을 위한 하드웨어 역설계를 향상시키기 위해 영상 분석 및 기계학습을 활용하는 종합적인 조사 보고서를 제시한다. 영상 노이즈, 데이터 부족, 그리고 기계학습 기반 공격 기법 등의 문제를 해결함으로써 하드웨어 트로이 목마 및 위조품 감지의 정확성과 효율성을 향상시키기 위한 길잡이를 제안한다.

ABSTRACT

In the context of hardware trust and assurance, reverse engineering has been often considered as an illegal action. Generally speaking, reverse engineering aims to retrieve information from a product, i.e., integrated circuits (ICs) and printed circuit boards (PCBs) in hardware security-related scenarios, in the hope of understanding the functionality of the device and determining its constituent components. Hence, it can raise serious issues concerning Intellectual Property (IP) infringement, the (in)effectiveness of security-related measures, and even new opportunities for injecting hardware Trojans. Ironically, reverse engineering can enable IP owners to verify and validate the design. Nevertheless, this cannot be achieved without overcoming numerous obstacles that limit successful outcomes of the reverse engineering process. This paper surveys these challenges from two complementary perspectives: image processing and machine learning. These two fields of study form a firm basis for the enhancement of efficiency and accuracy of reverse engineering processes for both PCBs and ICs. In summary, therefore, this paper presents a roadmap indicating clearly the actions to be taken to fulfill hardware trust and assurance objectives.

연구 동기 및 목표

• 복잡하고 외주된 공급망에서 증가하는 하드웨어 트로이 목마와 위조 전자기기의 위협을 다루기 위해.
• 실행 시 모니터링의 높은 오버헤드와 은밀한 트로이 목마의 낮은 탐지율 등의 기존 신뢰성 및 보증 방법의 한계를 극복하기 위해.
• 고도의 영상 처리 및 기계학습 기법을 통해 역설계의 효율성과 정확성을 향상시키기 위해.
• 실제 영상 환경에서의 도전 과제를 고려하여 외부 및 내부 PCA 및 IC 역설계에 대한 강건하고 일반화 가능한 방법을 개발하기 위해.
• 기계학습 기반 공격에 대비한 대응 조치를 포함한 자동화되고 신뢰할 수 있는 역설계 연구의 기초를 마련하기 위해.

제안 방법

• IC 및 PCA의 고정밀 물리적 표현을 확보하기 위해 다중 모odal 영상(SEM, 광학, X-ray CT)을 활용하기 위해.
• 특히 탈캡슐화 및 레이어 제거 조건에서의 도전 상황에서 노이즈를 줄이고 특징을 강화하기 위해 영상 전처리 기법을 적용하기 위해.
• 기계학습 모델을 활용하여 이미지에서 기능적 및 구조적 특징을 추출하고 분류하며, 특히 레이어 단위의 정보 정량화에 집중하기 위해.
• 다양한 영상 모달리티 간의 금형 설계 또는 회로도 대비 역설계 출력을 비교하기 위해 교차 모달리티 평가 프레임워크를 설계하기 위해.
• 조명 변화에 강인하고 아티팩트에 강건한 알고리즘을 개발하여 PCA 역설계에서 구성 요소 추출 및 이면 탐지에 기여하기 위해.
• 기계학습 기반 역설계 도구를 사용하는 적대자로부터의 위협을 방지하기 위해 자동화된 역설계에 대비한 전략을 탐색하기 위해.

실험 결과

연구 질문

• RQ1 영상 처리 및 기계학습 기법은 IC 및 PCA의 역설계 정확성과 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 특히 노이즈, 블러링, 강도 비균일성 문제에 비추어 복잡한 영상 기반 역설계에서의 주요 과제는 무엇인가?
• RQ3 IC 및 PCA 레이어에 대한 고품질, 대표성 있는 데이터셋이 부족한 상황에서 기계학습 모델은 어떻게 효과적으로 훈련될 수 있는가?
• RQ4 기계학습으로 강화된 공격에 의해 영향을 받는 현재의 역설계 프레임워크의 취약점은 무엇이며, 이를 어떻게 완화할 수 있는가?
• RQ5 교차 모달리티 평가 프레임워크는 얼마나 신뢰할 수 있는 방식으로 역설계 결과의 비교 및 검증을 가능하게 하는가?

주요 결과

• 탈캡슐화 및 레이어 제거 과정에서 발생하는 영상 노이즈와 전처리 아티팩트가 영상 품질을 심각하게 악화시키며, 이는 효과적인 역설계를 방해한다.
• IC 및 PCA 레이어에 대한 고품질, 대표성 있는 데이터셋의 부족은 역설계 작업에서 딥러닝 모델의 성능과 일반화 능력을 제한한다.
• 기존의 실행 시 모니터링 및 사이드 채널 분석 기법은 공정 변동성과 측정 노이즈로 인해 낮은 탐지 신뢰도를 보인다.
• SEM, 광학, X-ray CT 등의 모달리티 간의 데이터 특성, 노이즈 프로파일, 영상 아티팩트의 차이로 인해 교차 모달리티 평가는 여전히 주요 과제로 남아 있다.
• 기계학습으로 강화된 역설계는 적대적 공격에 취약하므로, 공격자의 노력과 비용을 증가시키기 위한 새로운 대응 조치가 필요하다.
• 신뢰할 수 있는 외부 PCA 역설계를 위해 강건하고 조명 변화에 강인한 알고리즘이 필수적이며, 내부 PCA 역설계는 고Z 재료로 인한 블러링 및 앨리어싱에 대한 내성 확보가 필요하다.