[论文解读] A Survey and Perspective on Artificial Intelligence for Security-Aware Electronic Design Automation

David S. Koblah, Rabin Yu Acharya+6 more|arXiv (Cornell University)|Apr 19, 2022

Advancements in Semiconductor Devices and Circuit Design被引用 6

一句话总结

本文综述了用于安全感知电子设计自动化（EDA）的AI/ML技术，提出AI可通过实现实时漏洞检测、指导性能与安全之间的设计权衡，以及提供可解释的模型来训练工程师，从而增强硬件安全。文章识别出数据稀缺和黑箱模型不透明等关键挑战，并倡导采用AI驱动的、以安全为本的EDA工具，以确立硬件作为信任根。

ABSTRACT

Artificial intelligence (AI) and machine learning (ML) techniques have been increasingly used in several fields to improve performance and the level of automation. In recent years, this use has exponentially increased due to the advancement of high-performance computing and the ever increasing size of data. One of such fields is that of hardware design; specifically the design of digital and analog integrated circuits~(ICs), where AI/ ML techniques have been extensively used to address ever-increasing design complexity, aggressive time-to-market, and the growing number of ubiquitous interconnected devices (IoT). However, the security concerns and issues related to IC design have been highly overlooked. In this paper, we summarize the state-of-the-art in AL/ML for circuit design/optimization, security and engineering challenges, research in security-aware CAD/EDA, and future research directions and needs for using AI/ML for security-aware circuit design.

研究动机与目标

• 解决尽管硬件安全威胁日益增加，电子设计自动化（EDA）工具中安全意识仍显不足的日益扩大的差距。
• 探索如何利用AI/ML在IC设计生命周期早期检测漏洞，从而减少昂贵的后硅修复成本。
• 通过将安全度量与传统EDA目标（如面积、功耗和延迟）相结合，改进设计权衡。
• 开发可解释人工智能（XAI）技术，指导非安全专家工程师理解并响应安全风险。
• 识别AI/ML在EDA中的研究需求，包括数据稀缺、模型可解释性以及供应链安全的工具集成。

提出的方法

• 综述并整合EDA中前沿AI/ML技术，重点关注深度学习、强化学习和可解释人工智能（XAI）。
• 分析AI/ML在检测硬件后门、侧信道漏洞和故障注入攻击中的应用。
• 提出基于AI的反馈系统，实现实时指导工程师在RTL设计过程中的操作，类似于软件漏洞检测。
• 集成与模型无关及与模型相关的可解释性技术（例如，特征归因、显著性图），以解释AI预测结果。
• 使用事后解释方法，生成AI决策在安全感知设计中的局部和全局解释。
• 强调需要采用可解释模型（例如，决策树、贝叶斯模型）以提升AI驱动EDA工作流中的信任度和可用性。

(a)

实验结果

研究问题

• RQ1 AI/ML如何用于在IC设计过程早期（尤其是RTL级别）检测硬件安全漏洞？
• RQ2 可解释人工智能（XAI）在培训非安全专家设计工程师识别和响应新兴威胁方面可发挥什么作用？
• RQ3 AI驱动的EDA工具如何在传统设计指标（面积、功耗、延迟）与新兴安全约束之间实现平衡？
• RQ4 当前AI/ML模型在硬件安全方面的局限性是什么，特别是关于数据稀缺性和模型可解释性方面？
• RQ5 如何设计AI驱动的EDA系统，以支持实时反馈和随着新攻击向量出现而持续再训练？

主要发现

• 深度学习和强化学习等AI/ML技术能够有效建模性能与安全之间的复杂设计权衡，即使安全度量无法进行解析处理。
• 通过采用源自软件安全的AI模型，实现实时RTL代码漏洞检测是可行的，与后硅修复相比，可将修复成本降低高达1000倍。
• 可解释人工智能（XAI）方法（如特征归因和显著性图）可帮助工程师理解AI驱动的安全建议，但模型解释在输入扰动下仍显脆弱。
• 迫切需要采用可解释模型（如决策树、贝叶斯模型）以提升AI驱动EDA工具中的信任度和透明度。
• 当前基于AI/ML的硬件安全防御措施已落后于不断演化的威胁（如硬件后门和侧信道攻击），凸显了构建AI原生EDA框架的紧迫性。
• 将AI集成到EDA中必须解决数据稀缺、保密性以及工具链兼容性问题，才能实现工业级应用。

(b)