[논문 리뷰] NNgSAT: Neural Network guided SAT Attack on Logic Locked Complex Structures

Kimia Zamiri Azar, Hadi Mardani Kamali외 2명|arXiv (Cornell University)|2020. 09. 04.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 53인용 수 12

한 줄 요약

이 논문은 복잡한 구조를 가진 논리 락킹 회로(예: 대규모 다중기 또는 트리 네트워크)에서 기존 SAT 솔버가 실패하는 경우에 효과적으로 만족 가능한 할당을 예측하고 SAT 해결을 가속화하는 데 중점을 두고 NNgSAT를 제안한다. 메시지 전달 신경망(MPNN)을 사용하는 이 방법은 합리적인 시간 내에 이러한 회로의 93.5%를 복호화하는 데 성공하며, 이러한 어려운 인스턴스에서 표준 SAT 공격보다 뚜렷이 뛰어난 성능을 보인다.

ABSTRACT

The globalization of the IC supply chain has raised many security threats, especially when untrusted parties are involved. This has created a demand for a dependable logic obfuscation solution to combat these threats. Amongst a wide range of threats and countermeasures on logic obfuscation in the 2010s decade, the Boolean satisfiability (SAT) attack, or one of its derivatives, could break almost all state-of-the-art logic obfuscation countermeasures. However, in some cases, particularly when the logic locked circuits contain complex structures, such as big multipliers, large routing networks, or big tree structures, the logic locked circuit is hard-to-be-solved for the SAT attack. Usage of these structures for obfuscation may lead a strong defense, as many SAT solvers fail to handle such complexity. However, in this paper, we propose a neural-network-guided SAT attack (NNgSAT), in which we examine the capability and effectiveness of a message-passing neural network (MPNN) for solving these complex structures (SAT-hard instances). In NNgSAT, after being trained as a classifier to predict SAT/UNSAT on a SAT problem (NN serves as a SAT solver), the neural network is used to guide/help the actual SAT solver for finding the SAT assignment(s). By training NN on conjunctive normal forms (CNFs) corresponded to a dataset of logic locked circuits, as well as fine-tuning the confidence rate of the NN prediction, our experiments show that NNgSAT could solve 93.5% of the logic locked circuits containing complex structures within a reasonable time, while the existing SAT attack cannot proceed the attack flow in them.

연구 동기 및 목표

• 대규모 다중기 또는 루팅 네트워크와 같은 복잡한 구조를 포함한 논리 락킹 회로에서 전통적인 SAT 솔버가 실패하는 문제를 해결한다.
• 고도로 복잡한 구조로 인해 효율적으로 해결되지 않는 특정 CNF 인스턴스를 다루는 데 어려움을 겪는 기존 SAT 솔버의 한계를 극복한다.
• 어려운 복호화 패턴을 가진 복잡한 논리 장식에 대해 SAT 솔버 성능을 향상시키는 데 기여하는 신경망 기반 지도 메커니즘을 개발한다.
• 훈련된 MPNN가 새로운 대규모 복호화된 회로에 대해 일반화할 수 있으며, 전통적 SAT 공격 대비 성공률 향상과 속도 향상을 이끌어내는지 입증한다.

제안 방법

• 논리 락킹 회로에서 유도된 논리합규약형(CNF)에 대해 메시지 전달 신경망(MPNN)을 훈련시어 SAT/UNSAT 결과를 분류한다.
• MPNN를 예측기로 사용하여 신뢰도 점수(신뢰도 비율, CR)에 기반해 유망한 변수 할당을 제안함으로써 SAT 솔버를 안내한다.
• MPNN 예측을 병렬 SAT 해결 프레임워크에 통합하여, 다양한 신뢰도 임계값을 사용한 여러 SAT 솔버가 동시에 작동하도록 한다.
• 지시 품질을 극대화하고 잘못된 지시를 최소화하기 위해 MPNN 예측의 신뢰도 비율(CR)을 정밀 조정하며, 최적의 CR 범위는 0.7–0.9로 확인되었다.
• DIPs(Discriminating Input Patterns)를 사용해 점진적으로 잘못된 키를 제거하는 방식으로, 반복적으로 MPNN 지도를 기반으로 한 SAT 공격을 수행한다.
• 각 반복에서 병렬로 SAT 솔버를 실행하며, 높은 신뢰도의 효과적인 예측으로 유도된 솔버만 활성화하고, 다른 솔버는 솔루션을 조기에 발견한 경우 건너뛴다.

실험 결과

연구 질문

• RQ1 메시지 전달 신경망은 기존 SAT 솔버가 해결하지 못하는 복잡한 논리 락킹 회로에 대해 SAT/UNSAT 결과를 효과적으로 예측할 수 있는가?
• RQ2 MPNN 예측의 신뢰도 비율(CR)은 솔버 지도의 성공률과 효율성에 어떤 영향을 미치는가?
• RQ3 NNgSAT 접근법은 복잡한 구조를 가진 회로에서 전통적 SAT 공격 대비 성능(속도 향상 및 성공률)을 얼마나 향상시키는가?
• RQ4 MPNN 지도 기반 접근법은 대규모이고 이전에 본 적 없는 회로로도 확장 가능하며, 훈련 데이터를 초월해 일반화할 수 있는가?

주요 결과

• NNgSAT는 대규모 다중기 또는 트리 네트워크를 포함한 복잡한 구조를 가진 논리 락킹 회로 93.5%를 합리적인 시간 내에 성공적으로 복호화하며, 기존 SAT 공격은 이러한 모든 케이스에서 실패한다.
• MPNN 예측의 최적의 신뢰도 비율(CR) 범위는 0.7–0.9로, 이 범위에서는 유용한 지도 비율이 최대화되고 잘못된 지도 예측은 최소화된다.
• NNgSAT의 성능 향상은 병렬 SAT 솔버 수에 대해 초선형적으로 증가하며, 단순 병렬화를 넘어서 상호보완적 이득이 있음을 시사한다.
• 이 방법은 회로 크기 변화에 대해 강건하다: 심지어 큰, 새로운 회로에서도 MPNN 지도가 유의미한 성능 향상을 이끌어내며, 훈련 데이터를 초월한 일반화 능력을 보인다.
• 기존 SAT 공격이 문제를 해결하지 못할 경우, NNgSAT는 신경망 기반 지도를 활용해 성공할 수 있으며, 이는 이전에는 해결이 어려웠던 SAT 인스턴스에 효과적임을 보여준다.
• 두 공격 모두 성공하는 경우, NNgSAT는 뚜렷한 속도 향상을 보이며, 특히 8개의 병렬 코어와 CR 범위 0.7–0.9를 사용할 때 최고의 성능를 기록한다.