[論文レビュー] Designing ML-Resilient Locking at Register-Transfer Level

Dominik Šišejković, Luca Collini+4 more|arXiv (Cornell University)|Mar 10, 2022

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

ひとこと要約

本論文は、レジスタトランスファーレベル（RTL）設計に対する機械学習（ML）ベースの攻撃に対抗する2つのML耐性を持つRTLロックイング方式——ERA（Exact ML-Resilient Algorithm）とHRA（Heuristic ML-Resilient Algorithm）——を提案する。バランスの取れた演算オブスカリューテーションを実装することで、ERAは平均して50%未満の鍵予測精度（47.92%）を達成し、ランダム推測（50%）を下回ることで、強力なML耐性を示している。一方、HRAは中程度の耐性を実現しつつ、鍵予測精度の制御可能なトレードオフを提供する。

ABSTRACT

Various logic-locking schemes have been proposed to protect hardware from intellectual property piracy and malicious design modifications. Since traditional locking techniques are applied on the gate-level netlist after logic synthesis, they have no semantic knowledge of the design function. Data-driven, machine-learning (ML) attacks can uncover the design flaws within gate-level locking. Recent proposals on register-transfer level (RTL) locking have access to semantic hardware information. We investigate the resilience of ASSURE, a state-of-the-art RTL locking method, against ML attacks. We used the lessons learned to derive two ML-resilient RTL locking schemes built to reinforce ASSURE locking. We developed ML-driven security metrics to evaluate the schemes against an RTL adaptation of the state-of-the-art, ML-based SnapShot attack.

研究の動機と目的

• オラクルが存在しない状況におけるRTL論理ロックイングのML駆動攻撃に対する脆弱性を是正すること。
• 演算オブスカリューテーションに注目したML耐性の評価に適した新たなセキュリティ指標を策定すること。
• データ駆動型攻撃に対して耐性を高める2つの新規ロックイングアルゴリズム——ERAとHRA——の設計および評価を行うこと。
• 最新のスナップショット攻撃をRTLレベルに適応させ、ML耐性の現実的評価を可能とすること。
• バランスの取れた演算オブスカリューテーションが、効果的なML耐性を実現するために不可欠であることを示すこと。部分的な不均衡は、鍵の回復に成功する要因となる。

提案手法

• キーコントロールされた演算ペアを抽出し、それを数値ベクトルにエンコードすることで、オラクルなしのスナップショット攻撃をRTLネットリストで動作可能にする。
• Pyverilogライブラリを用いてRTL構造を解析・抽出し、auto-sklearnを用いて機械学習モデルの自動選定およびハイパーパramータチューニングを実施。
• すべての設計演算において完全なバランスを保つことで、ML攻撃パターンを排除する、正確なアルゴリズムであるERAを提案。
• 制限された鍵予算内で演算の不均衡を段階的に低減することでML耐性を向上させる、ヒューリスティックなアルゴリズムHRAを提案。
• 初期の演算分布と最適なバランス分布との距離に基づくセキュリティ指標を定義し、ヒューリスティックロックイングの指針とする。
• テストデータ用に10回の鍵再ロックを、各サンプルの学習用に1,000回の再ロックを実施する10x鍵再ロック設定を採用し、攻撃者にとって最良の状況を模擬。

実験結果

リサーチクエスチョン

• RQ1 構造的パターンが保持された状態で、MLベースの攻撃がRTLロックイング設計からの鍵回復に成功するか？
• RQ2 RTLロックイングにおける演算の不均衡は、データ駆動型攻撃がランダム推測を上回る精度で鍵を予測可能にする程度はどの程度か？
• RQ3 RTL設計における演算オブスカリューテーションの完全なバランス化は、最適な攻撃者状況下でもMLベースの鍵回復を排除できるか？
• RQ4 特に鍵予算制約下において、不均衡低減のヒューリスティックアプローチは、正確なバランス化と比較してML耐性でどの程度優れるか？
• RQ5 従来のセキュリティ測定を超えて、ML耐性を効果的に定量化できる指標は何か？

主な発見

• 元のASSURE RTLロックイング方式は、適応されたスナップショット攻撃下で平均74.78%の鍵予測精度（KPA）を示し、MLベースの鍵回復に対して顕著な脆弱性を示している。
• HRAヒューリスティックアルゴリズムは平均74.26%のKPAを達成し、元のASSUREに比べてわずかな改善に留まり、残存する演算の不均衡が要因である。
• ERA正確アルゴリズムは平均47.92%のKPAを達成し、50%のランダム推測の閾値を下回ることで、完全な演算バランス化による効果的なML耐性を実証した。
• 本研究では、25%のオブスカリューテートされていない演算が存在する場合でも、ML攻撃がランダム推測より約24ポイント高い精度で鍵を予測可能であることが示され、部分的な不均衡の危険性を強調した。
• 最適バランスからの分布距離に基づく提案セキュリティ指標は、ML攻撃に対する脆弱な設計を的確に特定し、耐性を持つロックイング方式の設計を支援する。
• 本研究は、RTLロックイングに対する初のオラクルなしMLベース攻撃を提示し、スナップショットフレームワークをRTL抽象化レベルに初めて適応した。