[论文解读] Node-wise Hardware Trojan Detection Based on Graph Learning

Kento Hasegawa, K. Yamashita+4 more|arXiv (Cornell University)|Dec 4, 2021

Physical Unclonable Functions (PUFs) and Hardware Security被引用 4

一句话总结

本文提出NHTD-GL，一种基于图学习（GL）的节点级硬件后门（HT）检测方法，可自动从门级网表中提取HT特征，无需启发式特征工程。该方法实现了0.998的检测准确率，通过图神经网络（GNNs）有效捕捉HT特异性特征，在基准数据集和随机生成的HT上均验证了其优越性。

ABSTRACT

In the fourth industrial revolution, securing the protection of the supply chain has become an ever-growing concern. One such cyber threat is a hardware Trojan (HT), a malicious modification to an IC. HTs are often identified in the hardware manufacturing process, but should be removed earlier, when the design is being specified. Machine learning-based HT detection in gate-level netlists is an efficient approach to identify HTs at the early stage. However, feature-based modeling has limitations in discovering an appropriate set of HT features. We thus propose NHTD-GL in this paper, a novel node-wise HT detection method based on graph learning (GL). Given the formal analysis of HT features obtained from domain knowledge, NHTD-GL bridges the gap between graph representation learning and feature-based HT detection. The experimental results demonstrate that NHTD-GL achieves 0.998 detection accuracy and outperforms state-of-the-art node-wise HT detection methods. NHTD-GL extracts HT features without heuristic feature engineering.

研究动机与目标

• 解决现有硬件后门（HT）检测方法中启发式特征工程的局限性，这些方法难以适应新型或未知的HT变体。
• 通过聚焦于门级网表，实现在集成电路（IC）设计阶段的实用化、早期HT检测，因为HT更可能通过第三方IP或EDA工具在该阶段被插入。
• 弥合HT结构特征的领域知识与图神经网络（GNNs）表示学习能力之间的差距，以提升检测的鲁棒性。
• 证明基于GNN的模型能够泛化至具有未知或未见特征的HT，从而减少对预定义特征集的依赖。
• 为现实世界IC供应链中的节点级HT检测提供理论基础坚实、可扩展且高准确率的解决方案。

提出的方法

• 将门级网表表示为异构图，其中节点对应电路元件（如逻辑门），边表示互连（导线）。
• 采用图注意力网络（GAT）、消息传递神经网络（MPNN）和图同构网络（GIN）作为核心GNN架构，以学习节点级表征。
• 利用HT特征的领域知识（如触发器和载荷结构）指导图学习框架的设计，并解释模型行为。
• 在带标签的网表数据（正常节点与后门节点）上端到端训练GNN模型，以预测节点级HT存在性，无需手动提取特征。
• 在GAT中使用多头注意力机制，在消息传递过程中动态加权邻近节点的重要性，增强对HT节点的特征区分能力。
• 使用标准指标（召回率、精确率、F1分数、准确率）在Trust-HUB基准数据集和随机生成的HT污染电路上评估模型性能。

实验结果

研究问题

• RQ1 图学习能否在无需依赖人工工程特征的情况下，有效检测门级网表中的节点级硬件后门？
• RQ2 基于GNN的模型在面对训练基准中未出现的未知或未见结构特征的硬件后门时，泛化能力如何？
• RQ3 GNN学习到了哪些具体特征以实现高精度的HT检测？这些特征与领域知识中已知的HT特性有何关联？
• RQ4 所提方法在准确率和对多种HT类型的鲁棒性方面，是否优于现有最先进节点级HT检测技术？
• RQ5 当检测占电路总节点数不足5%的微小、隐蔽后门时，模型是否仍能保持高性能？

主要发现

• NHTD-GL在Trust-HUB基准数据集上实现了0.998的检测准确率，显著优于现有节点级HT检测方法。
• 该方法召回率为0.890，精确率为0.978，F1分数为0.921，表现出灵敏度与特异性的良好平衡。
• 在具有未知特征的随机生成HT上，NHTD-GL仍保持高性能，召回率为0.773，精确率为0.843，准确率为0.995，证明了其泛化能力。
• 基于GNN的模型（如GAT、MPNN、GIN）始终优于传统随机森林方法[30]，后者依赖手工特征且在未见HT类型上表现失败。
• GNN模型成功自动提取了与HT相关的特征，证实图学习可克服启发式特征工程的局限性。
• 理论分析表明，GNN捕捉到的结构特征与已知HT模式（如触发器和载荷配置）一致，验证了模型的可解释性与可靠性。