[论文解读] NNgSAT: Neural Network guided SAT Attack on Logic Locked Complex Structures

Kimia Zamiri Azar, Hadi Mardani Kamali+2 more|arXiv (Cornell University)|Sep 4, 2020

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 53被引用 12

一句话总结

该论文提出 NNgSAT，一种基于神经网络引导的 SAT 攻击方法，利用消息传递神经网络（MPNN）预测满足赋值，并加速对具有复杂结构（如大型乘法器或树状网络）的逻辑锁电路的 SAT 求解。传统 SAT 求解器在这些复杂结构上失效，而该方法在合理时间内实现了 93.5% 的去混淆成功率，显著优于传统 SAT 攻击在这些困难实例上的表现。

ABSTRACT

The globalization of the IC supply chain has raised many security threats, especially when untrusted parties are involved. This has created a demand for a dependable logic obfuscation solution to combat these threats. Amongst a wide range of threats and countermeasures on logic obfuscation in the 2010s decade, the Boolean satisfiability (SAT) attack, or one of its derivatives, could break almost all state-of-the-art logic obfuscation countermeasures. However, in some cases, particularly when the logic locked circuits contain complex structures, such as big multipliers, large routing networks, or big tree structures, the logic locked circuit is hard-to-be-solved for the SAT attack. Usage of these structures for obfuscation may lead a strong defense, as many SAT solvers fail to handle such complexity. However, in this paper, we propose a neural-network-guided SAT attack (NNgSAT), in which we examine the capability and effectiveness of a message-passing neural network (MPNN) for solving these complex structures (SAT-hard instances). In NNgSAT, after being trained as a classifier to predict SAT/UNSAT on a SAT problem (NN serves as a SAT solver), the neural network is used to guide/help the actual SAT solver for finding the SAT assignment(s). By training NN on conjunctive normal forms (CNFs) corresponded to a dataset of logic locked circuits, as well as fine-tuning the confidence rate of the NN prediction, our experiments show that NNgSAT could solve 93.5% of the logic locked circuits containing complex structures within a reasonable time, while the existing SAT attack cannot proceed the attack flow in them.

研究动机与目标

• 解决传统 SAT 攻击在包含大型乘法器或路由网络等复杂结构的逻辑锁电路中失效的挑战。
• 克服传统 SAT 求解器在高结构复杂性下表现不佳、无法高效求解某些 CNF 实例的局限性。
• 开发一种基于神经网络的引导机制，提升 SAT 求解器在难以求解的复杂逻辑混淆模式下的性能。
• 证明训练好的 MPNN 能够泛化到未见过的大规模混淆电路，从而在成功率和加速比上均优于传统 SAT 攻击。

提出的方法

• 在从逻辑锁电路导出的合取范式（CNF）上训练消息传递神经网络（MPNN），以分类 SAT/UNSAT 结果。
• 将 MPNN 作为预测器，根据置信度分数（置信率，CR）建议有希望的变量赋值，从而引导 SAT 求解器。
• 将 MPNN 预测结果集成到并行 SAT 求解框架中，多个 SAT 求解器由不同的置信度阈值引导。
• 微调 MPNN 预测的置信率（CR），以在引导质量与误导向风险之间取得平衡，最优 CR 范围确定为 0.7–0.9。
• 以迭代方式应用 MPNN 引导的 SAT 攻击，利用区分性输入模式（DIPs）逐步排除错误密钥。
• 在每次迭代中并行执行 SAT 求解器，仅由高置信度且有效的预测引导的求解器继续执行，若早期找到解则跳过其他求解器。

实验结果

研究问题

• RQ1 消息传递神经网络能否有效预测传统 SAT 求解器无法求解的复杂逻辑锁电路的 SAT/UNSAT 结果？
• RQ2 MPNN 预测的置信率（CR）如何影响 SAT 攻击在引导求解器方面的成功率与效率？
• RQ3 NNgSAT 方法在具有复杂结构的电路上相较于传统 SAT 攻击，在性能（加速比与成功率）方面提升了多少？
• RQ4 MPNN 引导方法是否可扩展至大规模、此前未见过的电路？其泛化能力是否超越了训练数据？

主要发现

• NNgSAT 在合理时间内成功去混淆了 93.5% 的包含复杂结构（如大型乘法器或树状网络）的逻辑锁电路，而传统 SAT 攻击在所有此类情况下均告失败。
• MPNN 预测的最优置信率（CR）范围为 0.7–0.9，此时有效引导比例最高，误导向预测最少。
• NNgSAT 的性能提升与并行 SAT 求解器数量呈超线性关系，表明其收益超越了简单的并行化效果。
• 该方法对电路规模具有鲁棒性：即使在大型、未见过的电路中，MPNN 引导仍能带来显著收益，展现出超越训练数据的泛化能力。
• 当传统 SAT 攻击无法求解某一问题时，NNgSAT 仍可通过神经网络引导成功破解，使其在以往不可行的 SAT 实例上依然有效。
• 在两种攻击均能成功的场景下，NNgSAT 实现了显著加速，最佳性能出现在使用 8 个并行核心且 CR 范围为 0.7–0.9 时。