[论文解读] Deep RNN-Oriented Paradigm Shift through BOCANet: Broken Obfuscated Circuit Attack

Fatemeh Tehranipoor, Nima Karimian+2 more|arXiv (Cornell University)|Mar 8, 2018

Physical Unclonable Functions (PUFs) and Hardware Security被引用 6

一句话总结

本文提出 BOCANet，一种基于深度循环神经网络（D-RNN）的新型攻击方法，其破解逻辑加密硬件的效率比基于 SAT 的攻击快 20 倍以上，在仅使用不到 0.5% 的输入/输出样本的情况下，成功率超过 90%，实现了无需事先知晓密钥的密钥恢复与输入/输出预测，标志着深度学习驱动的硬件安全威胁范式发生根本性转变。

ABSTRACT

This is the first work augmenting hardware attacks mounted on obfuscated circuits by incorporating deep recurrent neural network (D-RNN). Logic encryption obfuscation has been used for thwarting counterfeiting, overproduction, and reverse engineering but vulnerable to attacks. There have been efficient schemes, e.g., satisfiability-checking (SAT) based attack, which can potentially compromise hardware obfuscation circuits. Nevertheless, not only there exist countermeasures against such attacks in the state-of-the-art (including the recent delay+logic locking (DLL) scheme in DAC'17), but the sheer amount of time/resources to mount the attack could hinder its efficacy. In this paper, we propose a deep RNN-oriented approach, called BOCANet, to (i) compromise the obfuscated hardware at least an order-of magnitude more efficiently (>20X faster with relatively high success rate) compared to existing attacks; (ii) attack such locked hardware even when the resources to the attacker are only limited to insignificant number of I/O pairs (< 0.5\\%) to reconstruct the secret key; and (iii) break a number of experimented benchmarks (ISCAS-85 c423, c1355, c1908, and c7552) successfully.

研究动机与目标

• 为解决现有基于 SAT 的逻辑加密电路攻击方法存在的耗时与资源消耗过高的问题，尽管其成功率较高。
• 开发一种新型攻击框架，利用深度学习显著降低在混淆硬件中实现密钥恢复的时间与资源需求。
• 仅通过极少量观测到的 I/O 对，实现有效的密钥恢复与输入/输出预测，即使攻击者无法访问秘密密钥。
• 在不同 ISCAS-85 基准测试集上评估所提方法的鲁棒性与泛化能力，涵盖不同密钥大小与电路复杂度。

提出的方法

• BOCANet 采用深度循环神经网络（D-RNN）建模混淆电路的输入输出行为，学习从训练 I/O 对中提取的功能映射关系。
• 攻击过程包含一个监督学习训练阶段，其中 D-RNN 在目标混淆电路观测到的 I/O 样本子集（少于 0.5%）上进行训练。
• 在测试阶段，经训练的 D-RNN 可在无需秘密密钥的情况下，对未见过的输入预测输出，实现无密钥依赖的输出猜测。
• 第二种攻击变体则将 D-RNN 反向使用，根据期望的输出模式预测未知的输入模式，展示了双向推理能力。
• D-RNN 架构采用一到两个隐藏层，能够对输入和输出模式进行序列建模，以捕捉功能依赖关系。
• 该方法在四个 ISCAS-85 基准电路（c423、c1355、c1908、c7552）上进行评估，密钥大小范围为 32 位至 256 位，以检验其可扩展性与鲁棒性。

实验结果

研究问题

• RQ1 与基于 SAT 的攻击相比，深度循环神经网络是否能有效实现对逻辑加密硬件秘密密钥的恢复，且显著降低时间和资源消耗？
• RQ2 D-RNN 模型在不知晓秘密密钥的情况下，对混淆电路的未知输入或输出模式的预测能力有多强？
• RQ3 基于 D-RNN 的攻击在不同基准电路及密钥大小（32 位至 256 位）下的性能表现如何扩展？
• RQ4 所提方法能否在极低 I/O 访问条件下破解高级防护机制，如延迟+逻辑加密（DLL）？
• RQ5 D-RNN 实现高精度密钥恢复与功能预测所需的最少 I/O 样本数量是多少？

主要发现

• 在所有四个 ISCAS-85 基准测试中，BOCANet 在 32 位密钥下成功率达 100%，64 位为 94%，128 位为 92%，256 位为 89%。
• 该攻击比传统 SAT 攻击快超过 20 倍，同时保持高成功率，显著提升了效率。
• 该方法仅需总 I/O 样本数的不到 0.5% 即可完成训练，展现出极高的数据效率。
• D-RNN 模型在所有基准测试中均成功预测了未知输出模式，预测结果与真实输出高度一致，如图 7(a)–(d) 所示。
• 该模型还能准确从期望输出反推出未知输入模式，图 8(a)–(d) 中预测与真实输入波形高度重合，证实了其双向推理能力。
• 该攻击完全不依赖秘密密钥，因为 D-RNN 在无需访问密钥的情况下学习了功能行为，从而实现了无密钥依赖的逆向工程。