[论文解读] Automatic Hardware Trojan Insertion using Machine Learning

Jonathan Cruz, Pravin Gaikwad+3 more|arXiv (Cornell University)|Apr 18, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用 10

一句话总结

该论文提出 MIMIC，一种基于机器学习的框架，通过从现有硬件后门中学习多维特征，自动生成高保真度的硬件后门基准。该框架利用训练好的模型识别隐蔽的触发器和功能模块网络，随后将虚拟后门绑定到设计中，Top-5 准确率最高达 80%，显著优于无机器学习指导的基线方法。

ABSTRACT

Due to the current horizontal business model that promotes increasing reliance on untrusted third-party Intellectual Properties (IPs), CAD tools, and design facilities, hardware Trojan attacks have become a serious threat to the semiconductor industry. Development of effective countermeasures against hardware Trojan attacks requires: (1) fast and reliable exploration of the viable Trojan attack space for a given design and (2) a suite of high-quality Trojan-inserted benchmarks that meet specific standards. The latter has become essential for the development and evaluation of design/verification solutions to achieve quantifiable assurance against Trojan attacks. While existing static benchmarks provide a baseline for comparing different countermeasures, they only enumerate a limited number of handcrafted Trojans from the complete Trojan design space. To accomplish these dual objectives, in this paper, we present MIMIC, a novel AI-guided framework for automatic Trojan insertion, which can create a large population of valid Trojans for a given design by mimicking the properties of a small set of known Trojans. While there exist tools to automatically insert Trojan instances using fixed Trojan templates, they cannot analyze known Trojan attacks for creating new instances that accurately capture the threat model. MIMIC works in two major steps: (1) it analyzes structural and functional features of existing Trojan populations in a multi-dimensional space to train machine learning models and generate a large number of "virtual Trojans" of the given design, (2) next, it binds them into the design by matching their functional/structural properties with suitable nets of the internal logic structure. We have developed a complete tool flow for MIMIC, extensively evaluated the framework by exploring several use-cases, and quantified its effectiveness to demonstrate highly promising results.

研究动机与目标

• 解决评估检测与验证工具时缺乏多样化、真实硬件后门基准的问题。
• 实现对复杂、多维硬件后门攻击空间的自动化探索，超越静态或基于信号概率的插入方式。
• 开发一种灵活的、基于人工智能的框架，模仿已知后门的行为，同时生成新的、有效的后门实例。
• 提供一种可扩展的解决方案，用于生成高质量、合成的后门基准，以反映不受信任的半导体供应链中不断演变的威胁模型。

提出的方法

• MIMIC 使用从一组已知后门中提取的多维结构与功能特征，训练三个机器学习模型——分别用于触发器网络、功能模块网络和完整后门行为。
• 该框架分析扁平化的 Verilog 网表，基于训练模型输出的匹配度得分，识别候选触发器与功能模块网络。
• 对每对候选网络进行功能与结构验证，以确保其有效性，避免组合逻辑环路或行为不一致。
• 通过将候选网络对的特征集映射到参考后门行为向量，生成虚拟后门，并按相似度进行排序。
• 将最适应的虚拟后门通过后门模板绑定到设计中，用户可自定义模板类型、特征权重和模型选择。
• 该框架支持同模板与跨模板插入，可评估模型在不同后门行为间的泛化能力。

实验结果

研究问题

• RQ1 机器学习框架能否有效学习并复现隐蔽硬件后门的多维特征，以生成新的、有效的后门实例？
• RQ2 当在一种类型后门上进行训练时，该框架在不同后门模板上的泛化能力如何，尤其是在组合逻辑与时序逻辑之间？
• RQ3 引入触发器、功能模块和完整后门行为模型对生成后门的准确率与质量有何影响？
• RQ4 该框架在多大程度上能探索超越一维信号概率约束的更广泛后门攻击空间？
• RQ5 当插入具有不同功能行为的后门（如拒绝服务或数据泄露型）时，框架性能如何变化？

主要发现

• 当同时包含触发器、功能模块和后门行为三个模型时，MIMIC 在识别适合后门插入的网络对方面达到约 80% 的 Top-5 准确率，相比无模型指导的基线方法提升 74%。
• 单独引入触发器模型或功能模块模型，分别使 Top-5 准确率提升 16% 和 20%，表明两者对性能均有独立贡献。
• 当在相同基准中插入不同后门模板时，MIMIC 对组合逻辑模板（c1 和 c2）的平均 Top-5 准确率为 87%，表明在同类行为类别中具有强大泛化能力。
• 对于时序模板（s1 和 s2），性能显著下降，Top-5 准确率仅为 9.09% 和 11.11%，主要由于特征空间重叠度低及结构复杂性高。
• 即使在不使用模型的情况下，框架仍能成功识别有效的后门位置，尽管准确率有所降低，证实了结构与功能验证流程的鲁棒性。
• 结果表明，MIMIC 能够有效生成合成的、高质量的后门基准，其行为与真实世界隐蔽后门高度相似，从而支持对防护措施的更严格评估。