[论文解读] Estimating the Circuit Deobfuscating Runtime based on Graph Deep Learning

Zhiqian Chen, Gaurav Kolhe+5 more|arXiv (Cornell University)|Feb 14, 2019

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 36被引用 4

一句话总结

该论文提出ICNet，一种图深度学习框架，通过端到端建模电路拓扑和门特征，预测混淆数字电路的SAT-based去混淆运行时间。该方法在准确性和稳定性方面达到当前最先进水平，相比暴力求解器将估计时间减少99.95%，并在真实世界基准测试中优于多个基线模型。

ABSTRACT

Circuit obfuscation is a recently proposed defense mechanism to protect digital integrated circuits (ICs) from reverse engineering by using camouflaged gates i.e., logic gates whose functionality cannot be precisely determined by the attacker. There have been effective schemes such as satisfiability-checking (SAT)-based attacks that can potentially decrypt obfuscated circuits, called deobfuscation. Deobfuscation runtime could have a large span ranging from few milliseconds to thousands of years or more, depending on the number and layouts of the ICs and camouflaged gates. And hence accurately pre-estimating the deobfuscation runtime is highly crucial for the defenders to maximize it and optimize their defense. However, estimating the deobfuscation runtime is a challenging task due to 1) the complexity and heterogeneity of graph-structured circuit, 2) the unknown and sophisticated mechanisms of the attackers for deobfuscation. To address the above mentioned challenges, this work proposes the first machine-learning framework that predicts the deobfuscation runtime based on graph deep learning techniques. Specifically, we design a new model, ICNet with new input and convolution layers to characterize and extract graph frequencies from ICs, which are then integrated by heterogeneous deep fully-connected layers to obtain final output. ICNet is an end-to-end framework which can automatically extract the determinant features for deobfuscation runtime. Extensive experiments demonstrate its effectiveness and efficiency.

研究动机与目标

• 为解决准确且高效估计混淆IC的SAT-based去混淆运行时间这一关键挑战，这对优化安全防御至关重要。
• 克服基于启发式的选择混淆策略的局限性，后者因可能的混淆配置搜索空间呈指数级增长而次优且不可行。
• 开发一种可扩展的、端到端的机器学习框架，能够处理IC的图结构和异构特性，以及去混淆攻击的复杂非线性行为。
• 通过用快速准确的运行时间预测替代耗时的攻击者仿真，实现对混淆策略的快速评估。
• 提供一种稳定且可泛化的模型，能够自动从电路拓扑和门属性中提取相关特征，无需人工特征工程。

提出的方法

• 提出ICNet，一种新型图神经网络架构，配备定制卷积层，旨在捕捉混淆IC的拓扑和结构特征。
• 引入一种新型图卷积算子，通过聚焦于局部门表示及其相互作用，避免了GCN中常见的属性传播机制——该机制在IC中不适用。
• 通过复合全连接网络将门级特征（如门类型、数量）和电路拓扑整合到统一嵌入空间，用于回归任务。
• 采用端到端训练范式，从原始电路图和混淆配置中联合学习特征表示与去混淆运行时间预测。
• 利用注意力机制定量分析特征重要性，结果表明门数量是对运行时间预测最具影响力的属性。
• 在真实世界ISCAS85和ITC99基准数据集上训练并评估模型，与多种基线模型（包括GCN、ChebNet和经典回归模型）进行比较。

实验结果

研究问题

• RQ1 在电路图复杂且异构的背景下，图深度学习模型能否准确预测混淆IC的SAT-based去混淆运行时间？
• RQ2 在真实世界混淆电路数据集上，所提出的ICNet模型在准确性和稳定性方面相较于现有机器学习和图神经网络基线模型表现如何？
• RQ3 哪些电路属性（如门数量、门类型）对去混淆运行时间最具预测力？注意力机制能否揭示这些关系？
• RQ4 与实际SAT求解器运行相比，该模型在多大程度上能减少估计时间，从而实现可扩展的混淆策略探索？
• RQ5 该模型在不同混淆策略和特征输入设置（如仅位置信息 vs. 完整特征输入）下是否具备鲁棒性？

主要发现

• ICNet在数据集1上的均方误差（MSE）最低，为0.0040，在数据集2上为0.0043，优于所有基线模型，包括GCN、ChebNet和经典回归模型。
• ICNet-NN（ICNet的神经网络变体）在所有指标上均表现最佳，数据集1的MSE为0.0040，数据集2为0.0043，且在不同特征设置下方差极小。
• 模型将平均估计时间缩短至每实例1.1336秒，相比实际SAT求解器（最慢情况达2411.11秒）节省了99.95%的时间。
• 注意力分析显示，门数量平均贡献了56.40%的注意力权重，与实际运行时间的皮尔逊相关系数为0.8238，斯皮尔曼等级相关系数为0.9722，表明其具有强大的预测能力。
• 与GCN和ChebNet相比，ICNet表现出更优的稳定性，其性能对输入特征选择（如仅位置信息 vs. 完整特征）不敏感，不同设置下的MSE差异更小。
• 该模型成功捕捉了电路结构与去混淆难度之间的非线性关系，优于线性模型（如LASSO、Ridge和SVR），后者表现出高方差或恒定预测。