[論文レビュー] Deep RNN-Oriented Paradigm Shift through BOCANet: Broken Obfuscated Circuit Attack

Fatemeh Tehranipoor, Nima Karimian+2 more|arXiv (Cornell University)|Mar 8, 2018

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 6

ひとこと要約

本稿では、論理暗号化ハードウェアのobfuscationを、SATベースの攻撃よりも最大20倍速く破る深層再帰ニューラルネットワーク（D-RNN）に基づく攻撃、BOCANetを紹介する。0.5%未満の入出力パターンの使用で90%を超える成功率を達成し、秘密鍵の事前知識がなくても鍵回復と入出力予測が可能であり、深層学習を活用したハードウェアセキュリティ脅威のパラダイムシフトを示している。

ABSTRACT

This is the first work augmenting hardware attacks mounted on obfuscated circuits by incorporating deep recurrent neural network (D-RNN). Logic encryption obfuscation has been used for thwarting counterfeiting, overproduction, and reverse engineering but vulnerable to attacks. There have been efficient schemes, e.g., satisfiability-checking (SAT) based attack, which can potentially compromise hardware obfuscation circuits. Nevertheless, not only there exist countermeasures against such attacks in the state-of-the-art (including the recent delay+logic locking (DLL) scheme in DAC'17), but the sheer amount of time/resources to mount the attack could hinder its efficacy. In this paper, we propose a deep RNN-oriented approach, called BOCANet, to (i) compromise the obfuscated hardware at least an order-of magnitude more efficiently (>20X faster with relatively high success rate) compared to existing attacks; (ii) attack such locked hardware even when the resources to the attacker are only limited to insignificant number of I/O pairs (< 0.5\\%) to reconstruct the secret key; and (iii) break a number of experimented benchmarks (ISCAS-85 c423, c1355, c1908, and c7552) successfully.

研究の動機と目的

• 論理暗号化回路における既存のSATベースの攻撃に伴う時間的・リソース的制約を是正すること。これらの攻撃は高い成功率を示すが、依然として時間とリソースを多く要する。
• obfuscatedハードウェアにおける鍵回復に要する時間とリソースを著しく削減できる、新たな攻撃フレームワークの開発。
• 攻撃者が秘密鍵にアクセスできない状況下でも、最小限の観測済みI/Oペアのみを用いて、効果的な鍵回復と入出力予測を可能にすること。
• 異なるキーサイズと回路複雑性を有する多様なISCAS-85ベンチマークを用いた、提案手法のロバストネスと一般化性能の評価。

提案手法

• BOCANetは、obfuscated回路の入出力動作をモデル化するため、深層再帰ニューラルネットワーク（D-RNN）を用い、訓練用I/Oペアから関数的マッピングを学習する。
• 攻撃は、ターゲットのobfuscated回路から観測された入出力パターンのわずかなサブセット（0.5%未満）を用いて、教師あり訓練フェーズを実行する。
• テストフェーズでは、訓練済みD-RNNが秘密鍵を必要とせず、未観測の入力に対する出力を予測する。これにより、鍵に依存しない出力推測が可能になる。
• 第二の攻撃バージョンでは、D-RNNを逆方向に用いて、望ましい出力パターンが与えられたもとで未知の入力パターンを予測する。これにより、双方向推論能力を示している。
• D-RNNアーキテクチャは1または2つの隠れ層で構成され、入力および出力パターンのシーケンスモデリングにより、関数的依存関係を捉える。
• 本手法は、キーサイズが32ビットから256ビットまでの4つのISCAS-85ベンチマーク（c423、c1355、c1908、c7552）を用いて評価され、スケーラビリティとロバストネスを検証した。

実験結果

リサーチクエスチョン

• RQ1 SATベースの攻撃と比較して、著しく時間的・リソース的消費を削減できる深層再帰ニューラルネットワーク（D-RNN）を、論理暗号化ハードウェアの秘密鍵回復に効果的に適用できるか。
• RQ2 秘密鍵の知識が全くない状況下でも、D-RNNモデルがobfuscated回路の未知の入力または出力パターンをどの程度正確に予測できるか。
• RQ3 D-RNNベースの攻撃の性能は、異なるベンチマーク回路およびキーサイズ（32ビットから256ビット）の間でどのようにスケーリングするか。
• RQ4 本手法は、遅延＋論理ロック（DLL）といった高度な対策に対しても、最小限のI/Oアクセスで破壊可能か。
• RQ5 D-RNNが鍵回復および機能的予測において高い正確性を達成するための最小I/Oパターン数はどの程度か。

主な発見

• BOCANetは、4つのISCAS-85ベンチマークすべてにおいて、32ビットキーサイズで100%、64ビットで94%、128ビットで92%、256ビットで89%の成功率を達成した。
• 伝統的なSATベースの攻撃よりも20倍以上速く、高い成功率を維持しているため、大幅に効率が向上している。
• 訓練に必要なI/Oパターンは全パターンの0.5%未満で、高いデータ効率を示している。
• D-RNNモデルは、すべてのベンチマークで未知の出力パターンをほぼ完璧な一致で正しく予測しており、図7(a)～(d)に示すように、予測値と実際の出力が極めて一致している。
• また、望ましい出力が与えられたもとで、未知の入力パターンの予測も正確に実行しており、図8(a)～(d)における予測された入力ラインと実際の入力ラインが重複している。これにより、双方向推論能力が確認された。
• 攻撃は秘密鍵に対して完全に無知である。D-RNNは鍵にアクセスせずに関数的動作を学習するため、鍵に依存しない逆設計が可能である。