[论文解读] AppGNN: Approximation-Aware Functional Reverse Engineering using Graph Neural Networks

Tim Bücher, Lilas Alrahis+4 more|arXiv (Cornell University)|Aug 23, 2022

Ferroelectric and Negative Capacitance Devices被引用 5

一句话总结

本文提出 AppGNN，一种新颖的图神经网络框架，通过使用近似感知的图节点采样方法，增强功能逆向工程（RE）对近似计算（AxC）的鲁棒性。该方法使 GNN 能够在不预先知晓近似类型的情况下，准确分类并逆向工程近似电路（如加法器和乘法器），即使存在 AxC 引起的结构变化。在基于进化算法的近似加法器上，分类准确率从 53% 提升至 81%。

ABSTRACT

The globalization of the Integrated Circuit (IC) market is attracting an ever-growing number of partners, while remarkably lengthening the supply chain. Thereby, security concerns, such as those imposed by functional Reverse Engineering (RE), have become quintessential. RE leads to disclosure of confidential information to competitors, potentially enabling the theft of intellectual property. Traditional functional RE methods analyze a given gate-level netlist through employing pattern matching towards reconstructing the underlying basic blocks, and hence, reverse engineer the circuit's function. In this work, we are the first to demonstrate that applying Approximate Computing (AxC) principles to circuits significantly improves the resiliency against RE. This is attributed to the increased complexity in the underlying pattern-matching process. The resiliency remains effective even for Graph Neural Networks (GNNs) that are presently one of the most powerful state-of-the-art techniques in functional RE. Using AxC, we demonstrate a substantial reduction in GNN average classification accuracy-- from 98% to a mere 53%. To surmount the challenges introduced by AxC in RE, we propose the highly promising AppGNN platform, which enables GNNs (still being trained on exact circuits) to: (i) perform accurate classifications, and (ii) reverse engineer the circuit functionality, notwithstanding the applied approximation technique. AppGNN accomplishes this by implementing a novel graph-based node sampling approach that mimics generic approximation methodologies, requiring zero knowledge of the targeted approximation type. We perform an extensive evaluation and show that, using our method, we can improve the classification accuracy from 53% to 81% when classifying approximate adder circuits that have been generated using evolutionary algorithms, which our method is oblivious of.

研究动机与目标

• 研究近似计算（AxC）对集成电路（IC）功能逆向工程（RE）的安全影响。
• 识别现有 RE 方法（尤其是模板匹配和基于 GNN 的方法）在应用于近似电路时的局限性。
• 开发一种基于 GNN 的框架，使其在 AxC 引起的结构变化下仍能有效分类和逆向工程电路。
• 设计一种图采样策略，以模拟通用的近似模式，使 GNN 能够泛化至未知的 AxC 技术。
• 在多种近似加法器和乘法器电路（包括最先进的基于进化算法的近似）上评估所提出的 AppGNN 框架。

提出的方法

• AppGNN 采用一种新颖的基于图的节点采样方法，可模拟 AxC 中常见的近似模式（如截断或零填充），而无需事先了解具体的近似方法。
• 该框架采用两种采样策略：随机节点采样和叶节点采样，两者均旨在保留近似电路在图表示中的结构特征。
• AppGNN 在精确电路上训练 GNN，但在推理阶段使用采样后的图，以提升对近似对应物的分类准确率。
• 该方法利用采样图与实际近似电路之间的结构相似性，使 GNN 能够泛化至多种 AxC 技术。
• 该方法在多个数据集上进行了评估，包括 ACA、LOBA、ROBA、LTA、LCA 和 EvoApprox 加法器与乘法器，涵盖不同程度的近似激进程度。
• AppGNN 已在 GitHub 上公开，支持可复现性，并可集成至现有 RE 工作流中。

实验结果

研究问题

• RQ1 近似计算（AxC）在多大程度上会降低最先进的基于 GNN 的功能逆向工程（RE）方法的性能？
• RQ2 能否在不事先了解所用具体近似技术的情况下，使基于 GNN 的 RE 框架对 AxC 具有鲁棒性？
• RQ3 与 GNN-RE 相比，AppGNN 在分类近似加法器和乘法器电路方面有多高效，尤其是在近似激进程度增加的情况下？
• RQ4 图采样策略的选择（随机采样 vs. 叶节点采样）是否显著影响不同 AxC 类型下的分类准确率？
• RQ5 AppGNN 是否能在保持对精确电路高分类准确率的同时，显著提升对近似电路的性能？

主要发现

• 尽管方法本身未知晓所用的进化近似技术，AppGNN 仍将基于 EvoApprox 的近似加法器上基于 GNN 的逆向工程准确率从 53% 提升至 81%，提升了 28 个百分点。
• 在所有加法器电路类型中，AppGNN 的平均表现优于 GNN-RE，尤其在 EvoApprox 数据集上提升最大，达 28 个百分点。
• 对于 LTA 基础电路，AppGNN 实现高达 91% 的分类准确率，得益于采样图中因位截断产生的孤立节点所导致的结构相似性。
• 在乘法器电路方面，AppGNN 在 ROBA 基础电路上优于 GNN-RE 3.7 个百分点，但在 EvoApprox 乘法器上表现差 14.2 个百分点，表明其对近似类型具有敏感性。
• AppGNN 在精确电路上的性能与 GNN-RE 几乎完全一致，最大差异仅为 1.3 个百分点，证实其与非近似设计的兼容性。
• 随着近似激进程度的增加，GNN-RE 的分类准确率显著下降，而 AppGNN 的下降幅度小得多，甚至在某些情况下（如 EvoApprox 加法器）出现提升。