[论文解读] MuxLink: Circumventing Learning-Resilient MUX-Locking Using Graph Neural Network-based Link Prediction

Lilas Alrahis, Satwik Patnaik+2 more|arXiv (Cornell University)|Dec 14, 2021

Integrated Circuits and Semiconductor Failure Analysis被引用 7

一句话总结

MuxLink 提出了一种基于图神经网络（GNN）的链路预测攻击方法，通过利用电路中的结构化链路形成特性，突破了学习抗性 D-MUX 和对称 MUX 逻辑加密方案，无需依赖预言机或密钥泄露，在 ISCAS-85 和 ITC-99 基准测试中实现了高达 100% 的密钥预测准确率与精确率。

ABSTRACT

Logic locking has received considerable interest as a prominent technique for protecting the design intellectual property from untrusted entities, especially the foundry. Recently, machine learning (ML)-based attacks have questioned the security guarantees of logic locking, and have demonstrated considerable success in deciphering the secret key without relying on an oracle, hence, proving to be very useful for an adversary in the fab. Such ML-based attacks have triggered the development of learning-resilient locking techniques. The most advanced state-of-the-art deceptive MUX-based locking (D-MUX) and the symmetric MUX-based locking techniques have recently demonstrated resilience against existing ML-based attacks. Both defense techniques obfuscate the design by inserting key-controlled MUX logic, ensuring that all the secret inputs to the MUXes are equiprobable. In this work, we show that these techniques primarily introduce local and limited changes to the circuit without altering the global structure of the design. By leveraging this observation, we propose a novel graph neural network (GNN)-based link prediction attack, MuxLink, that successfully breaks both the D-MUX and symmetric MUX-locking techniques, relying only on the underlying structure of the locked design, i.e., in an oracle-less setting. Our trained GNN model learns the structure of the given circuit and the composition of gates around the non-obfuscated wires, thereby generating meaningful link embeddings that help decipher the secret inputs to the MUXes. The proposed MuxLink achieves key prediction accuracy and precision up to 100% on D-MUX and symmetric MUX-locked ISCAS-85 and ITC-99 benchmarks, fully unlocking the designs. We open-source MuxLink [1].

研究动机与目标

• 为解决学习抗性逻辑加密中的空白，识别可被利用的结构性模式，从而绕过现有防御机制。
• 开发一种无需预言机的攻击方法，攻破最先进的基于 MUX 的加密方案，且不依赖密钥泄露或功能访问。
• 证明在混淆电路中，链路级的结构性模式可被 GNN 利用以恢复秘密密钥。
• 评估 D-MUX 和对称 MUX 加密在一种新型基于 GNN 的攻击下的鲁棒性，该攻击针对的是全局连通性而非局部门特征。

提出的方法

• 训练一个 GNN 模型以学习加密电路的结构拓扑，重点关注非混淆连线及其在关键门周围的连接关系。
• 利用 GNN 的节点和边嵌入，基于电路的局部与全局结构预测缺失或混淆的链路（即 MUX 的秘密输入）。
• 应用后处理阈值（th）对预测结果进行筛选，通过仅选择高置信度的链路预测来平衡精确率与召回率。
• 在混淆 MUX 门的 h 跳邻域内进行子图采样，以在保持预测准确率的同时提升攻击可扩展性。
• 通过在 100,000 个随机输入模式上进行汉明距离分析，验证恢复后设计的功能正确性。
• 利用 D-MUX 和对称 MUX 方案的对称性与结构不变性，训练可在不同基准间泛化的 GNN 模型。

实验结果

研究问题

• RQ1 基于 GNN 的链路预测模型是否能在不依赖密钥泄露或预言机访问的情况下，成功攻破学习抗性 D-MUX 和对称 MUX 加密？
• RQ2 D-MUX 和对称 MUX 方案中的对称性与局部混淆是否仍会留下可被利用的全局连通性模式？
• RQ3 在子图采样中，随着密钥大小增加和跳数距离增大，基于 GNN 的攻击性能如何变化？
• RQ4 在缺乏真实标签的情况下，后处理阈值对密钥预测精确率与召回率的影响有多大？

主要发现

• MuxLink 在 D-MUX 加密的 ISCAS-85 和 ITC-99 基准测试中实现了 100% 的密钥预测准确率与精确率，完全恢复了秘密密钥。
• 对于对称 MUX 加密方案，当密钥大小从 64 增加到 256 时，MuxLink 仍保持高性能，平均密钥预测准确率达到 94.65%。
• 原始设计与恢复设计之间的汉明距离平均仅为 3.39%，表明功能恢复近乎完美。
• 即使采用严格的后处理阈值 th=1.0，MuxLink 仍保持 100% 的精确率，尽管仅预测了 30% 的密钥位。
• 在 h=3 跳采样时性能趋于饱和，且从 h=1 到 h=2 出现显著性能跃升，表明一跳邻域分析已足以攻破该方案。
• 即使在无密钥泄露的情况下，该攻击依然有效，证明链路形成是逻辑加密中一种新型可被利用的信息源。