[논문 리뷰] Node-wise Hardware Trojan Detection Based on Graph Learning

Kento Hasegawa, K. Yamashita외 4명|arXiv (Cornell University)|2021. 12. 04.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 4

한 줄 요약

이 논문은 히어르치컬 특징 엔지니어링 없이 게이트 수준 넷리스트에서 HT 특징을 자동으로 추출할 수 있는 그래프 러닝(GN)을 사용하는 노드 단위 하드웨어 트로이 악성코드(HT) 검출 방법인 NHTD-GL을 제안한다. 그래프 신경망(GNN)을 통해 HT 전용 특징을 효과적으로 포착함으로써 0.998의 검출 정확도를 달성하며, 벤치마크 및 무작위로 생성된 HT에 대해 검증된 상태최적(SOTA) 방법을 초월한다.

ABSTRACT

In the fourth industrial revolution, securing the protection of the supply chain has become an ever-growing concern. One such cyber threat is a hardware Trojan (HT), a malicious modification to an IC. HTs are often identified in the hardware manufacturing process, but should be removed earlier, when the design is being specified. Machine learning-based HT detection in gate-level netlists is an efficient approach to identify HTs at the early stage. However, feature-based modeling has limitations in discovering an appropriate set of HT features. We thus propose NHTD-GL in this paper, a novel node-wise HT detection method based on graph learning (GL). Given the formal analysis of HT features obtained from domain knowledge, NHTD-GL bridges the gap between graph representation learning and feature-based HT detection. The experimental results demonstrate that NHTD-GL achieves 0.998 detection accuracy and outperforms state-of-the-art node-wise HT detection methods. NHTD-GL extracts HT features without heuristic feature engineering.

연구 동기 및 목표

• 기존 하드웨어 트로이 악성코드(HT) 검출 방법에서 히어르치컬 특징 엔지니어링의 한계를 해결함으로써, 새로운 또는 알려지지 않은 HT 변종에 적응하기 어려운 문제를 해결한다.
• 제3자 IP나 EDA 도구를 통해 삽입될 가능성이 높은 게이트 수준 넷리스트에 초점을 맞춰, IC 설계 단계에서 실질적이고 조기 단계의 HT 검출을 가능하게 한다.
• HT의 구조적 특징에 대한 도메인 지식과 그래프 신경망(GNN)의 표현 학습 능력 간 격차를 메우어 검출의 강건성을 향상시킨다.
• GNN 기반 모델이 알려지지 않은 또는 볼 수 없는 특징을 가진 HT로 일반화할 수 있음을 입증함으로써, 사전 정의된 특징 집합에 의존도를 줄인다.
• 실제 IC 공급망에서의 노드 단위 HT 검출을 위한 이론적으로 탄탄하고 확장 가능하며 고정확도의 솔루션을 제공한다.

제안 방법

• 노드가 회로 요소(예: 논리 게이트)에 대응하고 엣지가 연결선(와이어)을 나타내는 이질적 그래프로 게이트 수준 넷리스트를 표현한다.
• 메시지 전달 신경망(MPNN), 그래프 이sovomorphism 네트워크(GIN), 그래프 어텐션 네트워크(GAT)를 핵심 GNN 아키텍처로 사용하여 노드 수준의 표현을 학습한다.
• 트리거 및 페이로드 구조와 같은 HT 특성에 대한 도메인 지식을 활용해 그래프 러닝 프레임워크 설계와 모델 행동의 해석을 유도한다.
• 정규 및 트로이 노드로 구성된 레이블이 부여된 넷리스트 데이터를 엔드 투 엔드로 훈련하여 수동 특징 추출 없이 노드 단위 HT 존재 여부를 예측한다.
• GAT에서 다중 헤드 어텐션 메커니즘을 사용해 메시지 전달 중 인접 노드의 중요도를 동적으로 가중함으로써 HT 노드의 특징 구분 능력을 향상시킨다.
• Trust-HUB 벤치마크 데이터셋과 무작위로 생성된 HT가 포함된 회로에서 표준 평가 지표(재현율, 정밀도, F1 점수, 정확도)를 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 히어르치컬 특징 엔지니어링에 의존하지 않고 그래프 러닝이 게이트 수준 넷리스트에서 노드 단위 하드웨어 트로이 악성코드를 효과적으로 검출할 수 있는가?
• RQ2 학습 벤치마크에 존재하지 않는 구조적 특징을 가진 HT에 대해 GNN 기반 모델의 일반화 능력은 얼마나 우수한가?
• RQ3 GNN이 고정확도의 HT 검출을 가능하게 하는 특정 특징은 무엇이며, 이는 도메인 지식에서 알려진 HT 특성과 어떻게 관련이 있는가?
• RQ4 제안된 방법은 다양한 유형의 HT에 대해 기존 최고 수준의 노드 단위 HT 검출 기술 대비 정확도와 강건성 측면에서 뛰어나게 성능을 발휘하는가?
• RQ5 회로의 총 노드 수의 5% 미만을 차지하는 소형이자 은밀한 트로이 악성코드의 검출에서도 모델이 높은 성능을 유지할 수 있는가?

주요 결과

• NHTD-GL은 Trust-HUB 벤치마크 데이터셋에서 0.998의 검출 정확도를 달성하며, 기존의 노드 단위 HT 검출 방법을 크게 능가한다.
• 재현율 0.890, 정밀도 0.978, F1 점수 0.921을 기록하여 민감도와 특이도 사이의 균형이 잘 잡혀 있음을 보여준다.
• 알 수 없는 특징을 가진 무작위로 생성된 HT에 대해서도 NHTD-GL은 재현율 0.773, 정밀도 0.843, 정확도 0.995를 기록하며 높은 일반화 능력을 입증한다.
• GNN 기반 모델(GAT, MPNN, GIN)은 수작업 특징에 의존하는 기존의 랜덤 포레스트 방법[30]보다 일관되게 뛰어난 성능을 보이며, 새로운 유형의 HT에서는 실패한다.
• GNN 모델은 수동 특징 추출 없이도 자동으로 HT 관련 특징을 추출함을 확인하여, 그래프 러닝이 히어르치컬 특징 엔지니어링의 한계를 극복할 수 있음을 입증한다.
• 이론적 분석을 통해 GNN이 알려진 HT 패턴(예: 트리거 및 페이로드 구성)과 일치하는 구조적 특징을 포착함을 확인하여, 모델의 해석 가능성과 신뢰성을 검증한다.