[论文解读] Hardware Trust and Assurance through Reverse Engineering: A Survey and Outlook from Image Analysis and Machine Learning Perspectives

Ulbert J. Botero, Ronald S. Wilson+8 more|arXiv (Cornell University)|Feb 11, 2020

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 200被引用 29

一句话总结

本文全面综述了利用图像分析与机器学习技术提升集成电路（IC）和印刷电路板（PCB）硬件逆向工程的可信度与保障性。通过解决成像噪声、数据稀缺性以及对抗性逆向工程技术等问题，提出了提升检测硬件后门和假冒产品的准确性和效率的路线图。

ABSTRACT

In the context of hardware trust and assurance, reverse engineering has been often considered as an illegal action. Generally speaking, reverse engineering aims to retrieve information from a product, i.e., integrated circuits (ICs) and printed circuit boards (PCBs) in hardware security-related scenarios, in the hope of understanding the functionality of the device and determining its constituent components. Hence, it can raise serious issues concerning Intellectual Property (IP) infringement, the (in)effectiveness of security-related measures, and even new opportunities for injecting hardware Trojans. Ironically, reverse engineering can enable IP owners to verify and validate the design. Nevertheless, this cannot be achieved without overcoming numerous obstacles that limit successful outcomes of the reverse engineering process. This paper surveys these challenges from two complementary perspectives: image processing and machine learning. These two fields of study form a firm basis for the enhancement of efficiency and accuracy of reverse engineering processes for both PCBs and ICs. In summary, therefore, this paper presents a roadmap indicating clearly the actions to be taken to fulfill hardware trust and assurance objectives.

研究动机与目标

• 应对复杂且外包化的供应链中日益增长的硬件后门与假冒电子产品的威胁。
• 克服现有可信度与保障方法的局限性，例如运行时监控的高开销以及对隐蔽后门检测率低的问题。
• 通过先进的图像处理与机器学习技术，提升逆向工程的效率与准确性。
• 在真实成像挑战下，为外部与内部PCB及IC逆向工程开发鲁棒且可泛化的技术方法。
• 为未来自动化、可信的逆向工程研究奠定基础，并针对机器学习增强的攻击提出应对措施。

提出的方法

• 利用多模态成像（SEM、光学成像、X射线CT）捕获IC与PCB的高保真物理表征。
• 应用图像预处理技术降低噪声并增强特征，尤其在去封装与逐层剥离等困难条件下。
• 利用机器学习模型从图像中提取并分类功能与结构特征，重点关注分层信息的量化。
• 设计跨模态评估框架，比较不同成像模态下逆向工程输出与基准设计或原理图的一致性。
• 开发光照不变且对伪影具有鲁棒性的算法，用于PCB逆向工程中的元件提取与异常检测。
• 探索对抗自动化逆向工程的策略，以遏制利用机器学习驱动的逆向工程工具的攻击者。

实验结果

研究问题

• RQ1 图像处理与机器学习技术在多大程度上可提升IC与PCB逆向工程的准确性和效率？
• RQ2 基于成像的逆向工程面临的主要挑战是什么，特别是噪声、模糊与亮度不均问题？
• RQ3 当缺乏高质量、具有代表性的IC与PCB层图像数据集时，如何有效训练机器学习模型？
• RQ4 当前逆向工程框架在机器学习增强的对抗性攻击下存在哪些漏洞，又该如何缓解？
• RQ5 跨模态评估框架在多大程度上可实现逆向工程结果的可靠比较与验证？

主要发现

• 成像噪声与预处理伪影——尤其是去封装与逐层剥离过程产生的——会显著降低图像质量，阻碍有效的逆向工程。
• 由于缺乏高质量、具有代表性的IC与PCB层图像数据集，深度学习模型在逆向工程任务中的性能与泛化能力受到限制。
• 现有运行时监控与侧信道分析技术因工艺变异与测量噪声而存在检测置信度低的问题。
• 跨模态评估仍是一大挑战，原因在于SEM、光学成像与X射线CT等不同模态间的数据特性、噪声分布与成像伪影存在显著差异。
• 机器学习增强的逆向工程易受对抗性攻击，因此亟需开发新对策以提高攻击者的努力与成本。
• 鲁棒的、光照不变的算法对可靠的外部PCB逆向工程至关重要，而内部PCB逆向工程则需具备对高Z材料引起的模糊与混叠的抗性。