[论文解读] Golden Reference-Free Hardware Trojan Localization using Graph Convolutional Network

Rozhin Yasaei, Sina Faezi+1 more|arXiv (Cornell University)|Jul 14, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用 5

一句话总结

本文提出了一种无需黄金参考的硬件后门（HT）定位方法，采用图卷积网络（GCN）自动检测预硅前RTL设计中的恶意节点。通过将电路转换为图结构，并利用GCN实现端到端的节点分类，该方法实现了99.6%的准确率和低于0.009%的误报率，无需人工特征工程或可信参考设计。

ABSTRACT

The globalization of the Integrated Circuit (IC) supply chain has moved most of the design, fabrication, and testing process from a single trusted entity to various untrusted third-party entities worldwide. The risk of using untrusted third-Party Intellectual Property (3PIP) is the possibility for adversaries to insert malicious modifications known as Hardware Trojans (HTs). These HTs can compromise the integrity, deteriorate the performance, deny the service, and alter the functionality of the design. While numerous HT detection methods have been proposed in the literature, the crucial task of HT localization is overlooked. Moreover, a few existing HT localization methods have several weaknesses: reliance on a golden reference, inability to generalize for all types of HT, lack of scalability, low localization resolution, and manual feature engineering/property definition. To overcome their shortcomings, we propose a novel, golden reference-free HT localization method at the pre-silicon stage by leveraging Graph Convolutional Network (GCN). In this work, we convert the circuit design to its intrinsic data structure, graph and extract the node attributes. Afterward, the graph convolution performs automatic feature extraction for nodes to classify the nodes as Trojan or benign. Our automated approach does not burden the designer with manual code review. It locates the Trojan signals with 99.6% accuracy, 93.1% F1-score, and a false-positive rate below 0.009%.

研究动机与目标

• 解决硬件后门（HT）定位中的关键缺口，尽管HT检测研究已十分广泛，但HT定位常被忽视。
• 克服现有HT定位方法依赖黄金参考、泛化能力差或需要人工特征工程的局限性。
• 实现在无需可信参考电路的情况下，对RTL设计实现自动化、可扩展且高分辨率的HT定位。
• 开发一种基于图的深度学习框架，保留拓扑结构，实现后门节点的端到端分类。
• 在多种HT类型和电路规模下实现高性能检测，同时最小化误报。

提出的方法

• 将寄存器传输级（RTL）硬件设计转换为图数据结构，其中设计实体（如寄存器、信号线、模块）作为节点，其互连关系作为边。
• 从RTL代码中提取节点属性，如信号类型、控制流和结构属性，以增强图表示。
• 应用四层图卷积网络（GCN）对图进行自动、分层的特征学习，捕捉局部和全局结构模式。
• 使用加权交叉熵损失函数，类别权重比为6:1（后门:正常），以缓解因HT电路规模较小导致的类别不平衡问题。
• 训练GCN模型将每个节点分类为正常或后门，从而实现对恶意组件的精确定位。
• 通过消融实验比较GCN、GAT和LEC在不同深度（2–4层）下的表现，优化模型架构和超参数，选择性能最佳的配置。

Figure 1: IC supply chain which is vulnerable to HT insertion in different stages.

实验结果

研究问题

• RQ1 基于GCN的方法是否能在不依赖黄金参考设计的情况下实现高精度的硬件后门定位？
• RQ2 图表示学习在捕捉RTL设计中指示HT的结构和功能异常方面有多有效？
• RQ3 GCN中的自动特征学习在HT检测与定位中，相较于人工特征工程能多大程度上实现性能超越？
• RQ4 HT数据集中类别不平衡如何影响模型性能？何种损失加权策略能优化检测效果并最小化误报？
• RQ5 所提出的方法是否能在不同HT类型和电路规模下保持一致的高性能表现，具备良好的泛化能力？

主要发现

• 所提出的基于GCN的方法在多样化基准电路中实现了99.6%的准确率，成功定位硬件后门。
• 模型取得了93.1%的F1得分，表明在识别后门节点时，精确率与召回率之间保持了良好平衡。
• 误报率低于0.009%，表明在减少误报方面具有高度可靠性。
• 最优损失函数类别权重被确定为6:1（后门:正常），该设置通过缓解数据集不平衡问题，最大化F1得分。
• 四层GCN在性能上优于GAT和LEC模型，且随着深度增加性能持续提升，证实其在本任务中的适用性。
• 该方法在不同HT类型（如DES、RC5）和电路规模间均表现出良好泛化能力，所有基准测试的平均性能表现稳健。

Figure 2: Overview of our HT localization methodology in training and inference phases.