[論文レビュー] AppGNN: Approximation-Aware Functional Reverse Engineering using Graph Neural Networks

Tim Bücher, Lilas Alrahis+4 more|arXiv (Cornell University)|Aug 23, 2022

Ferroelectric and Negative Capacitance Devices被引用数 5

ひとこと要約

本稿では、近似計算（AxC）に起因する構造的変化に対しても、近似に敏感なグラフノードサンプリングを用いることで、近似計算に対する耐性を高める新規なグラフニューラルネットワーク（GNN）フレームワークであるAppGNNを提案する。この手法により、加算器や乗算器などの近似回路で、AxCの種類に関する事前知識がなくても正確に分類・逆方向解析（RE）が可能となり、進化的な近似加算器では分類精度を53%から81%まで向上させた。

ABSTRACT

The globalization of the Integrated Circuit (IC) market is attracting an ever-growing number of partners, while remarkably lengthening the supply chain. Thereby, security concerns, such as those imposed by functional Reverse Engineering (RE), have become quintessential. RE leads to disclosure of confidential information to competitors, potentially enabling the theft of intellectual property. Traditional functional RE methods analyze a given gate-level netlist through employing pattern matching towards reconstructing the underlying basic blocks, and hence, reverse engineer the circuit's function. In this work, we are the first to demonstrate that applying Approximate Computing (AxC) principles to circuits significantly improves the resiliency against RE. This is attributed to the increased complexity in the underlying pattern-matching process. The resiliency remains effective even for Graph Neural Networks (GNNs) that are presently one of the most powerful state-of-the-art techniques in functional RE. Using AxC, we demonstrate a substantial reduction in GNN average classification accuracy-- from 98% to a mere 53%. To surmount the challenges introduced by AxC in RE, we propose the highly promising AppGNN platform, which enables GNNs (still being trained on exact circuits) to: (i) perform accurate classifications, and (ii) reverse engineer the circuit functionality, notwithstanding the applied approximation technique. AppGNN accomplishes this by implementing a novel graph-based node sampling approach that mimics generic approximation methodologies, requiring zero knowledge of the targeted approximation type. We perform an extensive evaluation and show that, using our method, we can improve the classification accuracy from 53% to 81% when classifying approximate adder circuits that have been generated using evolutionary algorithms, which our method is oblivious of.

研究の動機と目的

• 集積回路（IC）の機能的逆方向解析（RE）における近似計算（AxC）のセキュリティ的影響を調査すること。
• 特にテンプレートマッチングおよびGNNベースのアプローチといった既存のRE手法が、近似回路に適用された際の限界を特定すること。
• AxCに起因する構造的変化に対しても、依然として有効に機能するGNNベースのフレームワークを構築すること。
• 一般的な近似パターンを模倣するグラフサンプリング戦略を設計し、未知のAxC技術に一般化可能なGNNの汎用性を高めること。
• 進化的アプローチに基づく最新の近似加算器および乗算器を含む、多様な近似回路に対して提案されたAppGNNフレームワークを評価すること。

提案手法

• 本フレームワークは、特定の近似手法の事前知識が不要な、新しいグラフベースのノードサンプリング手法を採用しており、ビットの切り捨てやゼロパディングなどの一般的なAxCの近似パターンを模倣する。
• 2つのサンプリング戦略（ランダムノードサンプリングおよびリーフノードサンプリング）を用いて、近似回路の構造的特徴をグラフ表現に保持するように設計されている。
• AppGNNは正確な回路でGNNを学習するが、推論時にはサンプリングされたグラフを適用することで、近似回路の分類精度を向上させる。
• サンプルグラフと実際の近似回路との構造的類似性を活用することで、GNNが多様なAxC技術に一般化可能となる。
• 複数のデータセット（ACA、LOBA、ROBA、LTA、LCA、EvoApproxの加算器および乗算器）を用い、さまざまな近似の激しさ（aggressiveness）のレベルで評価が実施された。
• AppGNNはGitHubで公開されており、再現性が確保され、既存のREパイプラインへの統合が可能である。

実験結果

リサーチクエスチョン

• RQ1 近似計算（AxC）は、最先端のGNNベースの機能的逆方向解析（RE）手法の性能をどの程度低下させるか？
• RQ2 特定の近似手法の事前知識なしに、GNNベースのREフレームワークをAxCに耐性を持たせることは可能か？
• RQ3 AppGNNは、近似の激しさが増す中で、GNN-REと比較して近似加算器および乗算器回路をどの程度正確に分類できるか？
• RQ4 グラフサンプリング戦略の選択（ランダム vs. リーフノード）が、さまざまなAxCタイプにおける分類精度に顕著な影響を与えるか？
• RQ5 AppGNNは、正確な回路ではGNN-REとほぼ同等の性能を維持しながら、近似回路では顕著に性能を向上させることができるか？

主な発見

• AppGNNは、進化的な近似手法を用いたEvoApproxベースの近似加算器において、GNNベースの逆方向解析精度を53%から81%まで向上させ、28ポイントの向上を達成した。この際、使用された進化的近似手法の詳細を事前に知らない状態であった。
• 平均して、AppGNNはすべての加算器回路タイプにおいてGNN-REを上回り、特にEvoApproxデータセットで最大28ポイントの向上を示した。
• LTAベースの回路では、ビット切り捨てに起因する孤立ノードの構造的類似性から、最大91%の分類精度を達成した。
• 乗算器回路では、ROBAベースの回路でGNN-REを3.7ポイント上回ったが、EvoApprox乗算器では14.2ポイント劣化した。これは、近似の種類に敏感である可能性を示している。
• 正確な回路では、AppGNNはGNN-REとほぼ同一の性能を示し、最大で1.3ポイントの差異にとどまった。これは、非近似設計とも互換性があることを確認している。
• GNN-REの分類精度は、近似の激しさが増すにつれて著しく低下するが、AppGNNはその低下がはるかに弱く、一部のケース（例：EvoApprox加算器）では逆に向上する傾向を示した。