[논문 리뷰] MuxLink: Circumventing Learning-Resilient MUX-Locking Using Graph Neural Network-based Link Prediction

Lilas Alrahis, Satwik Patnaik외 2명|arXiv (Cornell University)|2021. 12. 14.

Integrated Circuits and Semiconductor Failure Analysis인용 수 7

한 줄 요약

MuxLink는 로지컬 락킹에 대한 학습에 강건한 D-MUX와 대칭 MUX 기반의 로직 락킹을 구조적 링크 형성 특성을 이용해 해독하는 그래프 신경망(GNN) 기반 링크 예측 공격을 제안한다. 이는 오라클이나 키 泄露 없이도 ISCAS-85 및 ITC-99 벤치마크에서 최대 100%의 키 예측 정확도와 정밀도를 달성한다.

ABSTRACT

Logic locking has received considerable interest as a prominent technique for protecting the design intellectual property from untrusted entities, especially the foundry. Recently, machine learning (ML)-based attacks have questioned the security guarantees of logic locking, and have demonstrated considerable success in deciphering the secret key without relying on an oracle, hence, proving to be very useful for an adversary in the fab. Such ML-based attacks have triggered the development of learning-resilient locking techniques. The most advanced state-of-the-art deceptive MUX-based locking (D-MUX) and the symmetric MUX-based locking techniques have recently demonstrated resilience against existing ML-based attacks. Both defense techniques obfuscate the design by inserting key-controlled MUX logic, ensuring that all the secret inputs to the MUXes are equiprobable. In this work, we show that these techniques primarily introduce local and limited changes to the circuit without altering the global structure of the design. By leveraging this observation, we propose a novel graph neural network (GNN)-based link prediction attack, MuxLink, that successfully breaks both the D-MUX and symmetric MUX-locking techniques, relying only on the underlying structure of the locked design, i.e., in an oracle-less setting. Our trained GNN model learns the structure of the given circuit and the composition of gates around the non-obfuscated wires, thereby generating meaningful link embeddings that help decipher the secret inputs to the MUXes. The proposed MuxLink achieves key prediction accuracy and precision up to 100% on D-MUX and symmetric MUX-locked ISCAS-85 and ITC-99 benchmarks, fully unlocking the designs. We open-source MuxLink [1].

연구 동기 및 목표

• 기존 방어 조치를 우회할 수 있는 구조적 패턴을 식별함으로써 학습에 강건한 로직 띅킹의 격차를 메우는 것.
• 키 泄露나 기능적 접근 없이도 최신 MUX 기반 락킹 기법을 해독할 수 있는 오라클이 없는 공격 기법을 개발하는 것.
• 변형된 회로 내 링크 수준의 구조적 패턴이 GNN에 의해 기밀 키 복원에 이용될 수 있음을 입증하는 것.
• 국소 게이트 특성 대신 전반적인 연결성에 초점을 맞춘 새로운 GNN 기반 공격을 통해 D-MUX 및 대칭 MUX 락킹의 강건성을 평가하는 것.

제안 방법

• 기밀 게이트 주변의 비변형선과 그 연결성을 중점으로 하여, 락킹된 회로의 구조적 토폴로지 학습을 위한 GNN 모델을 훈련한다.
• GNN에서 생성된 노드 및 엣지 임베딩을 활용해 국소 및 전반적인 회로 구조를 바탕으로 누락되거나 변형된 링크(즉, MUX의 기밀 입력)를 예측한다.
• 정밀도와 재현율의 균형을 맞추기 위해 높은 신뢰도의 링크 예측만 선택하는 후처리 임계값(th)을 적용한다.
• 변형된 MUX 게이트의 h-호프 이내 서브그래프 샘플링을 수행하여 공격의 확장성을 확보하면서도 예측 정확도를 유지한다.
• 100,000개의 랜덤 입력 패턴에 대한 허밍 거리 분석을 통해 복원된 설계의 기능적 정확성을 검증한다.
• D-MUX 및 대칭 MUX 기반 설계의 대칭성과 구조적 불변성을 활용해 다양한 벤치마크 간 일반화 가능한 GNN 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 GNN 기반 링크 예측 모델은 키 泄露나 오라클 접근 없이도 학습에 강건한 D-MUX 및 대칭 MUX 락킹을 성공적으로 해독할 수 있는가?
• RQ2 D-MUX 및 대칭 MUX 기반 설계의 대칭성과 국소적 변형에도 불구하고 여전히 공격 가능한 전반적 연결성 패턴이 존재하는가?
• RQ3 서브그래프 샘플링에서 키 크기와 호프 거리가 증가함에 따라 GNN 기반 공격의 성능은 어떻게 변화하는가?
• RQ4 기본 레이블이 없을 경우 후처리 임계값 설정이 키 예측의 정밀도와 재현율에 어떤 영향을 미치는가?

주요 결과

• MuxLink는 D-MUX-락킹된 ISCAS-85 및 ITC-99 벤치마크에서 100%의 키 예측 정확도와 정밀도를 달성하여 기밀 키를 완전히 복원한다.
• 대칭 MUX 기반 락킹의 경우, 키 크기가 64에서 256으로 증가하더라도 평균 키 예측 정확도가 94.65%로 높은 성능를 유지한다.
• 원본 설계와 복원된 설계 간 허밍 거리는 평균 3.39%에 불과하여 거의 완벽한 기능적 복원을 의미한다.
• 엄격한 후처리 임계값 th=1.0 조건에서도 MuxLink는 100%의 정밀도를 유지하지만, 예측된 키 비트 비율은 30%에 그친다.
• h=3까지의 호프 샘플링에서 성능가 포화 상태에 도달하며, h=1에서 h=2로의 전환 시에 유의미한 성능 향상이 나타나 1-호프 이웃 분석만으로도 공격가능성이 있음을 시사한다.
• 키 泄露 없이도 공격이 효과를 발휘함으로써 링크 형성은 로직 락킹에서 새로운 공격 가능한 정보 소스임을 입증한다.