[论文解读] Designing ML-Resilient Locking at Register-Transfer Level

Dominik Šišejković, Luca Collini+4 more|arXiv (Cornell University)|Mar 10, 2022

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

一句话总结

本文提出了两种机器学习抗性增强的RTL锁技术——ERA（精确机器学习抗性算法）和HRA（启发式机器学习抗性算法），以应对针对寄存器传输级设计的机器学习攻击。通过强制实现操作混淆的平衡性，ERA在平均情况下将密钥预测准确率降低至47.92%，低于随机猜测的50%，展现出强大的机器学习抗性；而HRA则在中等抗性下实现了可控的权衡。

ABSTRACT

Various logic-locking schemes have been proposed to protect hardware from intellectual property piracy and malicious design modifications. Since traditional locking techniques are applied on the gate-level netlist after logic synthesis, they have no semantic knowledge of the design function. Data-driven, machine-learning (ML) attacks can uncover the design flaws within gate-level locking. Recent proposals on register-transfer level (RTL) locking have access to semantic hardware information. We investigate the resilience of ASSURE, a state-of-the-art RTL locking method, against ML attacks. We used the lessons learned to derive two ML-resilient RTL locking schemes built to reinforce ASSURE locking. We developed ML-driven security metrics to evaluate the schemes against an RTL adaptation of the state-of-the-art, ML-based SnapShot attack.

研究动机与目标

• 为解决RTL逻辑锁在缺乏预言机条件下的机器学习驱动攻击所暴露的脆弱性。
• 提出新的安全度量标准，用于评估RTL锁在操作混淆方面的机器学习抗性。
• 设计并评估两种新型锁算法——ERA与HRA，以增强对数据驱动攻击的抵抗能力。
• 将最先进的SnapShot攻击适配至RTL层级，以实现对机器学习抗性的现实评估。
• 证明在操作混淆中保持平衡是实现有效机器学习抗性的关键，而部分不平衡则会导致密钥被成功恢复。

提出的方法

• 通过提取关键控制的操作对并将其编码为数值向量，将无预言机的SnapShot攻击适配至RTL网表上运行。
• 使用Pyverilog库解析并提取RTL结构，利用auto-sklearn实现机器学习模型的自动选择与超参数调优。
• 提出ERA，一种精确算法，通过在所有设计操作中实现完美的操作混淆平衡，彻底消除机器学习攻击的模式。
• 提出HRA，一种启发式算法，在给定密钥预算下逐步减少操作混淆的不平衡性，以提升机器学习抗性。
• 基于初始操作分布与最优平衡分布之间的距离，定义了一项安全度量，用于指导启发式锁设计。
• 采用每基准测试10次密钥重锁机制生成测试数据，每一样本进行1,000次重锁以生成训练数据，模拟攻击者在最佳条件下的行为。

实验结果

研究问题

• RQ1 当结构模式被保留时，基于机器学习的攻击是否能成功从RTL锁设计中恢复密钥？
• RQ2 RTL锁中操作的不平衡程度在多大程度上使数据驱动攻击能够实现高于随机猜测的密钥预测准确率？
• RQ3 在最优攻击者条件下，是否可通过RTL设计中操作混淆的完全平衡来彻底消除基于机器学习的密钥恢复？
• RQ4 在密钥预算受限下，减少不平衡的启发式方法与精确平衡方法相比，在机器学习抗性方面表现如何？
• RQ5 哪些度量能够有效量化RTL锁技术在传统安全措施之外的机器学习抗性？

主要发现

• 原始ASSURE RTL锁在适配后的SnapShot攻击下，平均密钥预测准确率（KPA）达到74.78%，表明其对基于机器学习的密钥恢复存在显著脆弱性。
• HRA启发式算法的平均KPA为74.26%，仅较原始ASSURE方案略有提升，原因在于仍存在残余的操作不平衡。
• ERA精确算法的平均KPA为47.92%，低于50%的随机猜测阈值，证明通过完美操作平衡可实现有效的机器学习抗性。
• 本研究表明，即使仅有25%的操作未被混淆，机器学习攻击仍可实现比随机猜测高出约24个百分点的准确率，凸显部分不平衡的严重风险。
• 基于与最优平衡分布距离的安全度量，成功识别出易受机器学习攻击的设计，并有效指导了抗性锁方案的设计。
• 本工作首次实现了无预言机、基于机器学习的RTL锁攻击，首次将SnapShot框架适配至RTL抽象层级。